基于拓扑深度学习(Topo-CNN)的视网膜图像分析：融合几何特征与卷积神经网络的高效诊断框架

为解决视网膜疾病早期诊断中传统方法资源消耗大的问题，研究人员开发了结合拓扑数据分析(TDA)与CNN的混合模型Topo-CNN。该框架通过提取眼底图像的几何结构特征（如ResNet-50），在APTOS（DR分级）、ORIGA（青光眼）和IChallenge-AMD数据集上取得突破性性能：二元DR分类准确率98.7%/AUC 98.9，五类DR的AUC达95.5，AMD检测准确率93.8%。研究证实拓扑特征可提升模型解释性与效率，为眼科AI诊断提供新范式。

　　

眼底图像分析是筛查糖尿病视网膜病变(DR)、青光眼和年龄相关性黄斑变性(AMD)的关键，但传统方法存在计算资源瓶颈。这项研究提出了一种革命性解决方案——Topo-CNN模型，巧妙地将拓扑数据分析(TDA)提取的几何特征（如血管网络的空洞结构和连通性）与经典卷积神经网络(如ResNet-50)的深层特征相融合。这种"拓扑+CNN"的混合架构既能捕捉图像的全局语义信息，又能解析其微观拓扑结构。

在三大权威数据集上的测试结果令人振奋：对于二元DR分类，模型斩获98.7%准确率和98.9的AUC值；在更具挑战性的五级DR分级任务中，AUC高达95.5；AMD检测准确率93.8%的同时保持93.6的AUC；青光眼筛查更实现82.3%准确率和95.8的特异性。消融实验证实，拓扑特征使模型性能平均提升3-5个百分点，其生成的持久同调图（Persistence diagrams）为医生提供了直观的决策依据。该研究标志着拓扑深度学习在医学影像领域的成功实践，为开发可解释、低计算成本的AI辅助诊断系统开辟了新路径。