编辑推荐：
青光眼早期检测对治疗至关重要，然深度学习需大量标注数据。研究人员开展基于深度半监督学习（SSL）技术的青光眼检测研究，利用 SRC-MT 方法，发现其性能随标注图像增多提升，随分布外（OOD）未标注图像质量下降降低，为临床应用提供参考。
青光眼作为全球主要致盲性眼病之一，其早期准确检测与严重程度分级对延缓疾病进展至关重要。然而，传统深度学习方法在青光眼检测中面临对大量高质量标注数据的依赖问题，且临床场景中不同来源的眼底图像常存在分布差异（即分布外数据，OOD），导致模型泛化能力受限。此外，未标注图像的数量和质量对模型性能的具体影响尚不明确。为解决这些问题，温州医科大学眼视光医院等机构的研究人员开展了相关研究，旨在探索深度半监督学习（SSL）技术在青光眼检测中的有效性，以及未标注图像的数量和质量对检测结果的影响。该研究成果发表在《BMC Ophthalmology》。
研究人员主要采用了以下关键技术方法：首先，回顾性收集了温州医科大学眼视光医院的 7503 张眼底图像（EyeW 数据集），并按青光眼严重程度分为无、轻度、中度、重度四类，同时引入公开的分布外数据集 EyeQ（源自 KaggleDR 数据集，含 28792 张图像，按质量分为 “良好”“可用”“拒收” 三类）。其次，使用基于平均教师（MT）框架和样本关系一致性（SRC）正则化的 SRC-MT 半监督学习方法，以 DenseNet121 为网络主干，分别基于眼底图像的全局视野区域（FOV，包含整个有效视野）和局部视盘区域（仅含视盘及其周围）进行青光眼分级训练。实验中，通过调整标注图像比例（5%-100%）和引入不同数量、质量的 EyeQ 未标注图像，评估模型性能，采用受试者工作特征曲线下面积（AUC）、准确率（ACC）、灵敏度（SEN）、特异度（SPE）等指标进行分析，并利用公共数据集 AIROGS、EDDFS、FIVES 进行外部验证。
研究结果
全局 FOV 区域检测性能
当使用 600 张标注图像（10%）和 5401 张 EyeW 未标注图像训练时，SRC-MT 在全局 FOV 区域的平均 AUC 为 0.8944。引入 EyeQ 数据集不同质量的未标注图像后，性能呈现差异：引入 16817 张 “良好” 质量图像时 AUC 提升至 0.8972，而引入 6435 张 “可用” 和 5540 张 “拒收” 质量图像时 AUC 分别为 0.8908 和 0.8922。增加标注图像比例至 100% 时，平均 AUC 显著提升至 0.9270，表明更多标注数据可增强模型性能，而低质量分布外未标注数据会导致性能下降。
局部视盘区域检测性能
在局部视盘区域，使用相同比例标注数据时，平均 AUC 略高于全局 FOV 区域（如 10% 标注时为 0.8969），且随标注数据增加，AUC 最高达 0.9376。但在外部数据集验证中，基于全局 FOV 区域的模型在青光眼存在与否的检测中表现更稳定，例如在 EDDFS 数据集准确率达 0.8821，而局部区域在部分数据集（如 AIROGS）性能较低，提示局部区域在分布内数据中更优，但泛化能力受限。
图像质量与数量的影响
通过降解 “良好” 质量图像并对比训练发现，图像质量下降会导致模型性能降低，验证了图像质量对 SSL 的重要性。此外，当未标注图像数量增加但质量较差时，模型性能波动，表明需平衡未标注数据的数量与质量以避免分布偏移的负面影响。
不同网络性能对比
与 MobileNetV3、ResNet50 等其他网络相比，DenseNet121 在 SRC-MT 框架中表现更优，平均准确率达 0.8602，显示其在青光眼分级中的有效性。
研究结论与讨论
该研究表明，深度半监督学习方法 SRC-MT 在青光眼严重程度分级中具有良好性能，尤其在全局 FOV 区域表现稳定。标注图像数量的增加可显著提升模型性能，而引入低质量或分布外的未标注图像会导致性能下降，提示在临床应用中需优先使用高质量、分布内的未标注数据。局部视盘区域因聚焦于视神经头的形态变化，在分布内数据中表现更优，但受图像质量和分布偏移影响更大。此外，全局 FOV 区域因包含更多上下文信息，在跨数据集检测中更具优势，有助于减少假阳性结果。
该研究为青光眼的自动化检测提供了新的技术路径，验证了半监督学习在减少标注依赖方面的潜力，同时为临床场景中合理利用公共数据集提供了指导，即应注重未标注图像的质量并控制分布偏移。未来研究可进一步探索域适应技术以增强模型对分布外数据的鲁棒性，结合更多中心的数据集提升泛化能力，推动深度学习在青光眼诊疗中的实际应用。
