编辑推荐：
为解决传统 DME 诊断系统精度低、特征选择不足等问题，研究人员开展基于自适应迁移学习 MobileNet（ATL-MobileNet）的 DME 分级研究，结合 Dil-M?TransUnet++ 分割与 RVE-HSOA 优化，提升分类性能，助力 CAD 技术在眼科的应用。
糖尿病作为全球高发慢性病，其引发的眼部并发症 —— 糖尿病黄斑水肿（Diabetic Macular Edema, DME）正成为成年人失明的主要 “元凶” 之一。想象一下，患者眼底视网膜上的微小血管因血糖波动而渗漏，液体堆积导致黄斑区肿胀，视力就像被蒙上一层雾气般逐渐模糊。然而，传统的诊断系统如同 “笨拙的猎手”，难以精准捕捉 DME 的细微特征，既无法有效区分疾病相关特征，又因特征选择局限导致分级精度低下。更棘手的是，人工诊断依赖稀缺的眼科专家，在医疗资源匮乏的农村地区，许多患者往往错过最佳治疗时机。如何突破这些瓶颈，让机器成为眼科医生的 “智慧助手”，实现 DME 的快速精准诊断？这成为摆在科研人员面前的紧迫课题。
在这样的背景下，来自相关研究机构的科研团队聚焦这一难题，在《Biomedical Signal Processing and Control》发表了一项颇具突破性的研究。他们试图构建一个高效的 DME 分级系统，通过先进的深度学习与优化算法，从眼底图像中挖掘隐藏的疾病线索，为临床诊断提供可靠依据。
研究团队采用了 “两步走” 的技术路线：首先，利用改进的 Dilated Mobile TransUnet++（Dil-M?TransUnet++）模型对眼底图像中的异常区域进行分割。这一模型如同 “图像侦探”，能精准定位出血点、硬性渗出物等病变特征。接着，将分割后的图像输入基于自适应迁移学习的 MobileNet（ATL-MobileNet）模型进行分级分类。为了让模型 “聪明” 起来，研究人员引入随机变量增强的洪堡鱿鱼优化算法（Random Variable Enhanced Humboldt Squid Optimization Algorithm, RVE-HSOA），对 ATL-MobileNet 的参数进行精细调校，如同为模型装上 “智能引擎”，使其能更敏锐地识别不同严重程度的 DME 特征。
研究结果
异常分割性能验证
通过在公开基准数据集上的实验，Dil-M?TransUnet++ 展现出优越的分割能力。它能有效应对图像质量、分辨率和噪声的变化，准确勾勒出眼底图像中的病变区域，为后续分级提供高质量的特征输入。实验数据表明，该模型在 DME 病变分割中达到了较高的精度，为精准诊断奠定了基础。
分级分类效果评估
ATL-MobileNet 结合 RVE-HSOA 优化后，在 DME 分级任务中表现出色。与传统的支持向量机（SVM）、K 近邻（KNN）等算法以及墨西哥蝾螈优化（MAO）、洪堡鱿鱼优化算法（HSOA）等优化方法相比，其分类准确率显著提升。这表明自适应迁移学习与智能优化算法的结合，有效提升了模型对 DME 复杂特征的捕捉和分类能力。
系统综合性能对比
研究团队将所提出的方法与现有其他 DME 分级系统进行了全面对比。结果显示，该系统在处理图像噪声、应对类不平衡问题以及泛化能力等方面均具有明显优势，展现出更强的临床应用潜力。
研究结论与意义
这项研究成功构建了一个基于深度学习与优化算法的高效 DME 分级系统。通过 Dil-M?TransUnet++ 的精准分割和 ATL-MobileNet 的智能分类，结合 RVE-HSOA 的参数优化，该系统显著提升了 DME 诊断的准确性和效率。其意义不仅在于为眼科医生提供了一个可靠的辅助诊断工具，缓解了人工诊断的压力，更重要的是，有望在医疗资源有限的地区推广应用，实现 DME 的早期筛查和干预，降低患者失明风险。此外，研究中提出的自适应迁移学习框架和优化算法，为其他医学影像分析领域的研究提供了新思路和方法借鉴，推动了计算机辅助诊断（CAD）技术在精准医疗中的发展。
