G2C-Net：融合坐标与类别注意力的糖尿病视网膜病变分级跨域自适应网络

针对糖尿病视网膜病变(DR)诊断中存在的跨中心数据分布偏移和类别不平衡(GS)问题，研究人员提出融合动态对抗域适应(DA)、空间通道注意力机制和类别注意块的G2C-Net模型。实验表明，该模型在源域和目标域分别提升F1-score达24.3%和31.1%，显著改善DR分级性能，为医疗资源匮乏地区提供可靠AI诊断方案。

　　

糖尿病视网膜病变(DR)作为糖尿病最严重的微血管并发症之一，已成为全球致盲的首要原因。随着糖尿病患者数量预计在2050年达到13.1亿，其中三分之一将罹患DR，早期诊断面临巨大挑战。当前诊断依赖眼科医生人工判读高分辨率眼底图像，但在医疗资源匮乏地区如乌干达（每百万人仅1名眼科医生），这种模式难以为继。尽管深度学习(DL)模型如DeepDR等已展现诊断潜力，但跨中心数据分布差异和严重的类别不平衡（如EyePACS数据集中正常样本占比过高）导致模型性能急剧下降，可能延误重症患者治疗时机。

针对这一临床痛点，中国研究人员开发了G2C-Net网络模型。该研究创新性地整合三大核心技术：通过动态对抗域适应(DA)解决跨中心数据偏移，采用坐标注意力机制捕捉细微病灶空间特征，设计类别注意块缓解GS数据不平衡。研究使用EyePACS和BRSET两大视网膜图像数据集验证，结果显示模型在目标域上的敏感度提升30.7%，尤其显著改善重症DR的识别率。

关键技术方法包括：1) 构建双分支动态对抗网络对齐源域(EyePACS)和目标域(BRSET)特征分布；2) 在ResNet50骨干网络中嵌入坐标注意力模块，通过水平-垂直方向特征编码增强微动脉瘤等微小病灶检测；3) 为每个DR分级类别分配独立通道权重，采用Focal Loss缓解样本不平衡。

【研究结果】

1. 域适应性能：G2C-Net在目标域上的特异性(SP)提升11.9%，证明其能有效克服设备间成像差异。
2. 细粒度识别：空间通道注意力使模型对微血管异常的特异性检测能力提升23.7%。
3. 类别平衡处理：在Proliferative DR等少数类上，F1-score改善达31.1%，显著降低漏诊风险。

【结论与讨论】
该研究突破性地解决了DR智能诊断中的两大核心难题：通过动态对抗学习实现跨域特征对齐，利用双重注意力机制同步提升模型对空间特征和类别特征的敏感性。特别值得注意的是，模型在资源受限场景下的鲁棒性表现，使其在眼科医生极度匮乏地区具有重要应用价值。研究者同时指出，未来可结合光学相干断层扫描(OCT)等多模态数据进一步提升模型泛化能力。论文发表于《Biomedical Signal Processing and Control》，为AI辅助DR诊断提供了新的技术范式。