基于X-ENet深度学习模型的近视严重程度分类方法：一种轻量化高精度的眼底图像分析新策略

针对近视筛查效率低下的临床难题，研究人员开发了结合深度可分离卷积与动态卷积的X-ENet模型，通过五折交叉验证和Grad-CAM可视化技术，实现了91.04%准确率的近视分级（-9.00D≤D<-6.00D），为资源受限地区的规模化筛查提供了自动化解决方案。

　　

近视已成为全球视力障碍的首要诱因，世界卫生组织预测2050年患者将达50亿，其中东亚青少年近视率超80%。随着眼底成像技术与人工智能的融合，基于视网膜结构变化的无创筛查展现出巨大潜力。然而现有模型面临三大挑战：细微屈光变化的特征捕捉困难、公开数据集稀缺导致的样本失衡、以及复杂模型在临床部署中的实用性不足。

中国科学院合肥物质科学研究院安徽光学精密机械研究所生物医学光学仪器安徽省工程技术研究中心的研究团队在《BioMedical Engineering OnLine》发表研究，提出创新性解决方案X-ENet模型。该工作通过融合动态卷积与深度可分离卷积，在保持轻量化架构（参数量减少37%）的同时，实现了四类近视分级（-3.00D≤D≤-0.50D为轻度）的91.04%准确率，特异性达93.76%，显著优于传统CNN模型。

关键技术包括：(1)采用优化Sobel算子（新增45°/-45°卷积核）与傅里叶变换联合预处理1637张FS-C1眼底仪采集的图像；(2)构建含ECA注意力机制（Efficient Channel Attention）的混合模块，通过残差连接（Basic block1）与密集连接（Basic block2）增强特征复用；(3)五折交叉验证策略平衡小样本偏差；(4)PyQt5开发GUI平台集成Grad-CAM热力图可视化。

【数据预处理】
比较实验显示，联合Sobel边缘检测（灵敏度提升4.3%）与傅里叶高频增强的预处理方案，使分类F1-score达到0.8147，较未处理基线提升3.39%。

【模型架构】
X-ENet四阶段架构中，动态卷积层（DConvolution）通过输入自适应核权重分配，使血管形态识别误差降低15.8%；深度可分离卷积（Spconvolution）将MAC（Multiply-Accumulate）运算量压缩至标准卷积的1/9。

【性能验证】
在1726张图像（剔除89张模糊样本）的测试中，X-ENet对高度近视（-9.00D≤D<-6.00D）的召回率达81.77%，较ResNet101提升7.38%。

【临床解释性】
Grad-CAM热力图揭示模型决策依据与病理特征高度吻合：轻度近视聚焦视盘周边（激活区域<15%），而超高度近视（D<-9.00D）的注意力范围扩展至黄斑区（覆盖率>62%）。

该研究突破性地实现了三大价值：(1)首次将动态卷积引入屈光状态分析，使模型参数量控制在传统方法的1/3；(2)通过FS-C1设备（24.1MP分辨率）采集的临床数据验证，证明其在不同设备间的泛化能力（跨中心测试准确率衰减<2.3%);(3)GUI平台集成使基层医生可直观获取分级结果与病变区域标记（如图6b），为近视并发症预警提供新范式。未来通过纳入多中心队列（计划扩展至5万例）和融合眼轴长度等生物参数，将进一步强化模型的临床适用性。