基于双分支输入与集成学习的视网膜疾病智能诊断系统RetinaDNet研究

推荐：本研究针对传统视网膜疾病诊断方法效率低、主观性强的问题，提出基于双分支输入（原始眼底图像+血管分割图像）和集成学习的AI框架RetinaDNet。通过迁移学习与软投票分类器，模型在糖尿病视网膜病变（DR）诊断中准确率达99.2%，显著提升早期检测能力与稳定性，为临床提供高效自动化解决方案。

　　

视网膜疾病如糖尿病视网膜病变（DR）、白内障和近视是全球致盲的主要病因。随着人口老龄化和糖尿病等慢性病增加，这类疾病发病率持续攀升。传统诊断依赖医生手动分析眼底图像，存在效率低、主观性强和早期检出率不足等缺陷。尽管人工智能（AI）技术已应用于医学影像分析，但现有模型常忽略血管结构特征，且在小样本场景下易出现过拟合。为此，上海大学与安徽大学的研究团队开发了创新性框架RetinaDNet，通过融合双分支输入与集成学习策略，显著提升了视网膜疾病的诊断性能，相关成果发表于《Scientific Reports》。

研究采用三项关键技术：1）基于U-Net的血管分割，使用Dice-BCE损失函数优化小目标识别；2）多模态特征提取，结合ResNet50等6种预训练模型进行迁移学习；3）集成学习框架，通过SVM、MLP和XGB算法的软投票（soft voting）提升分类稳定性。实验数据来自MuReD、RFMiD和DRIVE公开数据集，包含6000张眼底图像。

Segmented vascular information as an extra branch of the input
研究首次将血管分割图像作为独立输入分支，通过U-Net模型生成血管掩膜。Dice-BCE损失函数（结合Dice系数与二元交叉熵）有效解决了血管细小区域的识别难题，分割准确率达96.56%。对比实验显示，该策略使模型能更精准定位DR相关的微动脉瘤等微小病变。

Feature extraction using transfer learning strategy
团队测试了MobileNetV3、ResNet50等6种骨干网络，发现预训练+微调（fine-tuning）策略使模型准确率平均提升12.4%。其中ResNet50在交叉验证中表现最优，因其残差结构能有效捕捉DR的细微病灶特征。

Disease classification leveraging ensemble learning
通过比较RF、SVM等6种分类器，筛选出SVM（95.3%准确率）、MLP（93.6%）和XGB（93.4%）构建集成模型。软投票机制使最终准确率较硬投票（hard voting）提升1.1%，在DR分类任务中达到99.2%的突破性性能。

Model interpretability for enhanced clinical usability
Grad-CAM可视化显示，双分支输入使模型注意力更集中于医学关键区域：DR病例聚焦血管交叉处，白内障关注晶状体中心。这种可解释性验证了模型决策与临床病理特征的一致性。

Ablation study
消融实验证实各模块的贡献：移除血管分支使准确率下降7.9%；取消预训练导致性能降低15.5%；单独使用SVM比集成系统准确率低3.8%，凸显多模块协同的必要性。

该研究创新性地将血管形态学特征与深度学习相结合，解决了传统AI模型忽视血管结构的问题。RetinaDNet在公开竞赛ODIR-2019数据集上达到98.8%准确率，超越历史最佳成绩5个百分点。其双分支设计为小样本医学影像分析提供了新范式，集成学习策略显著提升了临床应用的可靠性。未来可进一步探索三维OCT图像融合，推动眼科AI向多模态诊断方向发展。