基于多模态眼部影像的深度学习模型比较研究：视网膜照片在视觉显著性白内障检测中的优势

本研究针对年龄相关性白内障筛查的临床需求，创新性地比较了三种眼部影像模态（视网膜照片、裂隙灯光束照片、弥散前节照片）构建的深度学习模型性能。研究团队通过新加坡三大族群队列（SIMES/SCES/SINDI）的标准化数据集验证发现，基于视网膜照片的DL模型（AUC=97.0%）显著优于裂隙灯（AUC=93.4%）和弥散前节模型（AUC=94.4%），且与组合模型性能相当。该成果为糖尿病视网膜病变筛查中整合白内障机会性筛查提供了高效解决方案，相关技术细节发表于《Ophthalmology Science》。

　　

在全球老龄化加剧的背景下，年龄相关性白内障已成为50岁以上人群视力障碍的首要病因，2020年全球患者达9400万。尽管白内障手术是公认的高性价比治疗手段，但临床实践中仍存在大量漏诊病例。当前筛查面临三大困境：不同医疗机构设备配置差异大（裂隙灯普及率不足）、传统人工筛查效率低下、现有深度学习(DL)模型缺乏跨模态性能比较。更关键的是，既往研究因缺乏标准化测试集，无法客观评估视网膜照片、裂隙灯光束和弥散前节照片这三种主流影像模态的优劣。

针对这一科学难题，新加坡眼科研究所联合多中心团队开展了一项里程碑式研究。研究人员创新性地构建了三大单模态DL模型（视网膜/裂隙灯/前节）和四种组合模型，基于新加坡马来眼病研究(SIMES)的7093只训练眼和1649只测试眼，并首次在标准化测试集（新加坡华人SCES和印度人SINDI队列）中进行外部验证。令人振奋的是，视网膜模型以97.0%的AUC值（95%CI 95.9-98.2）显著超越裂隙灯模型（ΔAUC=3.6%, P_diff
=0.029）和前节模型（ΔAUC=2.6%, P_diff
=0.002），且在非散瞳社区数据中仍保持89.8%的AUC。这项突破性成果发表于《Ophthalmology Science》，为整合糖尿病视网膜病变与白内障的联合筛查提供了关键技术支撑。

关键技术方法
研究采用回顾性设计，从SIMES、SCES、SINDI三大队列获取标准化影像数据（视网膜照片使用佳能CR-1 Mark-II，裂隙灯/前节照片使用Neitz CT-S）。通过Wisconsin白内障分级系统和最佳矫正视力<20/60定义视觉显著性白内障(VSC)。针对各模态优化不同卷积神经网络：视网膜模型采用ResNet-18+XGBoost，裂隙灯模型用ResNet-34，前节模型选用EfficientNet-B3。通过5折交叉验证调整参数，采用类别加权处理数据不平衡问题，使用Delong检验比较AUC差异。

研究结果

模型性能比较
在内部测试中，视网膜模型的AUC（97.0%）显著高于裂隙灯（93.4%）和前节模型（94.4%）。四种组合模型（最高AUC=96.8%）与视网膜模型无统计学差异（P≥0.07）。这一优势在SCES（ΔAUC=4.0%）和SINDI（ΔAUC=3.1%）外部验证中持续显现。特别值得注意的是，在社区非散瞳数据中，视网膜模型仍保持89.8%的AUC。

亚组分析
核性白内障亚组中裂隙灯模型性能提升最显著（SCES中AUC从92.3%→96.6%），而视网膜模型在皮质性/后囊下(PSC)亚组表现稳定（PSC亚组AUC达97.9%）。图像消融实验揭示：视网膜模型依赖周边特征（50%中心遮挡仅使AUC降2.2%），而裂隙灯/前节模型严重依赖中心区域（50%中心遮挡使AUC暴跌至55.5%）。

计算效率
视网膜模型展现临床转化优势：推理速度达30.9帧/秒，GPU内存占用仅为组合模型的1/3。在模拟社区筛查的3分类模型（正常/VSC/低质量图像）测试中，宏平均AUC达93.7%，显示其区分真实白内障与伪影的能力。

结论与意义
该研究首次系统论证了视网膜照片在DL驱动白内障筛查中的独特价值：既能捕捉白内障的功能性影响（通过眼底能见度变化），又具备与组合模型相当的诊断效能。其临床意义体现在三个方面：

1. 筛查革新：利用现有糖尿病视网膜病变筛查基础设施，实现零边际成本的"一摄双筛"；
2. 技术优化：视网膜模型对核性/皮质性/PSC白内障均保持>90% AUC，克服了传统影像的亚型依赖性；
3. 资源节约：单模态方案较组合模型节省67%计算资源，更适合基层推广。

研究也存在若干局限：测试集以亚洲人群为主，需验证跨种族适用性；非散瞳场景下性能衰减需进一步优化。但总体而言，这项工作为构建"眼底影像一站式筛查"体系提供了关键证据，有望重塑当前白内障筛查范式。正如作者强调的，当视网膜摄影已成为糖尿病管理的基础设施时，搭载其上的DL白内障筛查可能成为最具成本效益的公共卫生干预策略。