基于Shepard长短期记忆网络(ShLSTM)的彩色眼底图像早期糖尿病视网膜病变智能诊断研究

【编辑推荐】本研究针对糖尿病视网膜病变(DR)早期诊断难题，创新性融合Shepard卷积神经网络(ShCNN)与长短期记忆网络(LSTM)构建ShLSTM模型。通过自适应中值滤波(AMF)预处理和EAD-Net微动脉瘤(MA)分割，联合提取多模态特征，最终实现91.9%的准确率，为临床提供非侵入性、高精度的自动化DR筛查方案。

　　

糖尿病已成为全球重大公共卫生问题，其并发症糖尿病视网膜病变(DR)是导致工作年龄人群失明的首要原因。国际糖尿病联盟(IDF)数据显示，到2025年全球DR患者将达5.92亿，而传统荧光素眼底血管造影(FFA)检查存在侵入性、依赖医师经验等局限。尽管现有基于机器学习(ML)的方法能辅助诊断，但面临三大挑战：低质量眼底图像噪声干扰、传统深度学习模型特征提取能力不足，以及医疗数据稀缺导致的过拟合问题。

为突破这些技术瓶颈，研究人员开发了Shepard长短期记忆网络(ShLSTM)系统。该模型创新性地整合Shepard卷积神经网络(ShCNN)的局部特征捕获能力与LSTM的时序建模优势，通过三阶段处理流程：首先采用自适应中值滤波(AMF)消除眼底图像噪声并增强对比度；接着利用EAD-Net实现微动脉瘤(MAs)的精准分割；最终从原始图像和分割图像中联合提取形状、强度等多维度特征，输入ShLSTM进行分类。研究采用Automatic-Microaneurysm-Detection和印度糖尿病视网膜病变数据集(IDRiD)进行验证，通过数据增强技术缓解样本不足问题。

Results and discussions部分显示，ShLSTM在真阴性率(TNR)、准确率和真阳性率(TPR)三项指标上分别达到91.9%、91.9%和91.2%，显著优于传统CNN-SVM组合模型。特别在早期非增殖期糖尿病视网膜病变(NPDR)识别中，模型能有效区分轻度、中度和重度亚型，对微动脉瘤(MAs)和出血斑(HMs)的检测灵敏度较现有方法提升约15%。Dataset-2验证表明，该系统对糖尿病黄斑水肿(DME)的伴随诊断也具有临床参考价值。

这项发表于《Biomedical Signal Processing and Control》的研究具有双重突破：技术上首次实现Shepard插值理论与LSTM的有机融合，通过参数共享机制降低30%计算开销；临床上建立首个同时整合原始图像全局特征与MA局部特征的诊断框架。未来可扩展应用于青光眼、年龄相关性黄斑变性等眼底疾病的早期筛查，为眼科人工智能诊疗提供新范式。