基于Transformer模型的葡萄膜炎荧光素血管造影视网膜炎症自动分级研究

针对葡萄膜炎(uveitis)荧光素血管造影(FA)人工分级效率低、主观性强的问题，瑞士研究团队开发了基于Swin Transformer的自动分级系统。该研究利用40,987张FA图像构建最大临床数据集，模型在血管渗漏(F1=0·87)、毛细血管渗漏(F1=0·86)等4种后极部炎症体征检测中达到专家水平(平均1-OCI=0·85)，为临床试验提供了标准化评估工具。

　　

葡萄膜炎是一组威胁视力的复杂炎症性疾病，年发病率达17-52例/10万人，是工业化国家致盲主因。其中后葡萄膜炎等严重类型会破坏视网膜、脉络膜等关键结构。荧光素血管造影(FA)作为评估视网膜炎症的金标准，能直观显示血-视网膜屏障功能，但解读需丰富经验且耗时。当前临床试验多依赖视力(VA)、OCT等替代指标，与FA炎症表现相关性弱，导致治疗评估不精准。Angiography Scoring for Uveitis Working Group(ASUWOG)虽建立半定量评分体系，但人工操作效率低下。

瑞士Jules-Gonin眼科医院团队在《Computers in Biology and Medicine》发表研究，利用2018-2021年543例患者(1042眼)的40,987张FA图像，开发基于Swin Transformer的自动分级系统。采用ImageNet-22K预训练模型，通过Grad-CAM可视化注意力机制，评估血管渗漏等4种后极部炎症体征。主要技术包括：1)按ASUWOG标准标注数据集；2)四名专家评估组间一致性；3)采用序数分类指数(1-OCI)、F1值等指标；4)对比ViT等四种Transformer架构。

【结果】
数据收集：排除291眼后纳入751眼，视盘高荧光最常见(40·5%)，血管渗漏最严重(中位数3级)。
模型表现：在血管渗漏(F1=0·87 vs 专家0·79)、毛细血管渗漏(F1=0·86)检测超越专家一致性，黄斑水肿(1-OCI=0·86)和视盘高荧光(1-OCI=0·85)接近专家水平。Saliency分析证实模型聚焦视网膜血管等解剖结构。

【讨论】
该研究突破性地将Transformer架构应用于葡萄膜炎FA分析，其性能优势源于：1)自注意力机制捕获长程依赖；2)移位窗口策略降低计算复杂度；3)14.2百万ImageNet预训练参数迁移。相比传统CNN，模型更擅长识别弥漫性渗漏等复杂模式。

【结论】
该自动分级系统首次实现ASUWOG标准的全流程自动化，为免疫调节治疗(IMT)决策提供客观依据。未来可通过整合OCT等多模态数据发现新生物标志物。研究开源模型代码(https://github.com/JulesGoninRIO/uveitis_transformers)，推动精准眼科诊疗发展。