编辑推荐：
针对全球超 4 亿人受糖尿病视网膜病变（DR）威胁、现有分类方法 accuracy 和 computational efficiency 不足的问题，研究人员提出 FSFSO 优化 SqueezeNet 的 DR 分类模型。经 OCT 图像验证，模型 specificity、sensitivity、accuracy 达 92.6、92.1、91.9，为 DR 早期筛查提供新方案。
糖尿病视网膜病变（Diabetic Retinopathy, DR）如同潜伏在人体内的视力杀手，悄然威胁着全球超过 4 亿人的视觉健康。作为糖尿病最常见的微血管并发症之一，DR 由高血糖引发视网膜血管损伤，可导致视网膜水肿、出血、新生血管等病变，最终引发失明。据统计，约三分之一的糖尿病患者会出现不同程度的 DR，而早期 detection 能显著降低失明风险。然而，传统的 manual detection 依赖眼科医生逐张分析眼底图像，不仅耗时费力，还面临专业医师资源短缺的困境。与此同时，现有的 DR 分类算法在 accuracy 和 computational efficiency 之间难以平衡，尤其在处理光学相干断层扫描（Optical Coherence Tomography, OCT）这类高分辨率图像时，常因复杂的视网膜层结构干扰而导致误判。如何利用先进的人工智能技术，开发一种精准、高效且适用于临床场景的 DR 辅助诊断工具，成为全球眼科医疗与人工智能交叉领域的重要课题。
为攻克这一难题，研究人员开展了一项基于 OCT 图像的 DR 分类研究，并将成果发表在《Biomedical Signal Processing and Control》。
研究团队采用了一套融合优化算法与深度学习的混合模型。首先，使用中值滤波器对输入的 OCT 图像进行预处理，以去除噪声干扰。随后，引入基于智能花蛇优化算法（Smart Flower Snake Optimization, SFSO）优化的 U-Net 网络进行视网膜层分割。U-Net 是一种经典的医学图像分割网络，其编码器 - 解码器结构能有效捕捉图像的上下文信息，而 SFSO 算法通过融合蛇优化器（Snake Optimizer, SO）和智能花优化算法（Smart Flower Optimization Algorithm, SFOA），可动态调整 U-Net 的参数，提升分割精度。在特征提取与分类阶段，研究团队采用轻量级卷积神经网络 SqueezeNet，并通过分数阶智能花蛇优化算法（Fractional Smart Flower Snake Optimization, FSFSO）对其权重进行优化。FSFSO 在 SFSO 的基础上引入分数阶微积分（Fractional Calculus, FC）理论，增强了算法的全局搜索能力和收敛速度。
结果与讨论
通过在公开 OCT 数据集上的实验，研究团队对比了多种现有 DR 分类方法。结果显示，FSFSO-SqueezeNet 模型在关键指标上表现优异：特异性（Specificity）达 92.6%，敏感性（Sensitivity）达 92.1%，准确率（Accuracy）达 91.9%，显著优于传统机器学习模型及部分深度学习方法。进一步分析表明，SFSO 优化的 U-Net 成功实现了视网膜各层的精准分割，为后续特征提取提供了高质量的图像基础；而 FSFSO 算法通过自适应调整 SqueezeNet 的卷积核权重和通道数，在减少计算量的同时保留了关键病变特征，使模型在轻量级架构下仍能保持高分类精度。
结论
这项研究为 DR 的早期自动化筛查提供了一种兼具准确性与效率的新范式。通过将优化算法与深度学习结合，模型不仅突破了传统 DR 分类方法在计算资源和精度上的瓶颈，还为 OCT 图像在其他眼科疾病诊断中的应用提供了方法论借鉴。未来，若能进一步整合多模态影像数据（如眼底摄影与 OCTA），并在更大规模的临床队列中验证，该技术有望成为基层医疗机构普及 DR 筛查的核心工具，助力实现 “可及且经济的医疗解决方案” 这一全球健康目标。研究中提出的混合优化框架亦为医学影像分析领域提供了新的技术思路，展现了智能算法与深度学习在攻克复杂医学问题中的巨大潜力。
