编辑推荐：
针对传统糖尿病视网膜病变（DR）诊断依赖医生经验、易漏检小病变且缺乏可解释性等问题，研究人员基于改进 YOLOv5 模型开展小病变检测研究。模型集成多模块，在 DDR 数据集上 mAP@0.5 达 32.93%，提升检测准确性与可解释性，适用于资源有限医疗环境。
糖尿病视网膜病变（DR）作为糖尿病最常见的严重眼部并发症，是导致成年人失明的主要原因之一。在眼底图像中，微动脉瘤、出血、软硬渗出等病变的类型和数量是判断 DR 分期的关键，但这些病变往往体积小、形态多样，传统诊断高度依赖医生经验，存在漏诊率高、诊断标准不统一等问题。同时，现有基于深度学习的端到端分类方法虽提升了效率，却难以提供病变具体位置，可解释性不足，且在小病变检测上性能有限，尤其在计算资源受限的基层医疗场景中，缺乏既精准又轻量的解决方案。
为突破上述瓶颈，浙江省人民医院的研究人员开展了相关研究，其成果发表在《Biomedical Signal Processing and Control》。研究团队提出一种基于改进 YOLOv5 的轻量级 DR 小病变检测方法，通过优化模型结构，在提升小病变检测精度的同时降低计算复杂度，为基层医疗环境中的 DR 早期诊断提供了新路径。
研究主要采用的关键技术方法包括：以 YOLOv5 为基线模型，集成 SIoU 损失（一种改进的交并比损失函数，提升边界框回归精度）、浅层卷积检测模块（增强浅层特征提取能力，优化小目标特征表征）、BiFPN（双向特征金字塔网络，加强不同层级特征融合）和 DyHead（动态头部模块，自适应调整检测头权重，提升多尺度目标检测性能），并采用 Mosaic 数据增强技术扩充训练数据多样性。实验在 DDR 数据集上进行，分别在 NVIDIA 4090D 和 3070 Laptop 环境下验证模型性能，使用 PyTorch 框架和 SGD 优化器训练，初始学习率设为 0.01。
实验设计与结果
在实验设计中，研究团队在两种硬件环境下对模型进行训练和测试，旨在评估其在不同计算资源下的性能一致性。主要实验环境为配备 96GB 内存的 NVIDIA 4090D，运行于 CUDA-WSL2-Docker 环境；测试环境为 NVIDIA 3070 Laptop。模型训练和测试借助 PyTorch 深度学习框架完成，选用 SGD optimizer 对模型进行训练，初始学习率（lr0）设定为 0.01。
实验结果显示，改进后的模型在 DDR 数据集上表现出色，mAP@0.5 达到 32.93%，较基线模型显著提升 3.42%，其中小目标的 mAP@0.5 提升 1.19%，验证了模型对小病变的检测能力。此外，模型在检测硬渗出、软渗出、出血和微动脉瘤等不同类型病变时均表现优异，且通过可视化标注病变位置，显著增强了计算机辅助诊断的可解释性，为医生提供了更直观的辅助信息。
结论与讨论
研究提出的基于改进 YOLOv5 的算法，通过多模块集成有效提升了 DR 小病变的自动检测能力，尤其在小目标识别上取得突破。模型在保持较低计算复杂度的同时，实现了 34% 的 mAP@0.5、0.75725 的 mAUC 和 0.531 的 mIoU，证明了其在 DR 检测中的有效性和鲁棒性。该方法无需高端硬件支持，适用于资源有限的医疗环境，为基层地区 DR 的早期筛查和干预提供了可行的技术方案，有望缓解全球眼科医生短缺问题，提升 DR 诊断的准确性和效率，具有重要的临床应用价值和推广潜力。研究通过可视化病变定位增强模型可解释性的思路，也为其他医学影像的计算机辅助诊断提供了新的参考方向。
