基于超广域成像与深度学习的病理性近视形态学模式识别及诊断新方法

本研究针对病理性近视（Pathologic Myopia）诊断中临床可解释性不足的问题，开发了轻量级深度学习框架RealMNet，通过超广域成像（UWF）识别后巩膜葡萄肿（Posterior Staphyloma）和近视性黄斑病变（Myopic Maculopathy）的形态学特征。研究构建了多中心PSMM数据集（含43,371张图像），模型在F1 Score（0.7970）、mAP（0.8497）和AUROC（0.9745）指标上显著优于基准方法，为临床早期筛查提供了高效工具。

　　

近视已成为全球公共卫生危机，预计2050年影响50%人口，其中病理性近视（Pathologic Myopia）因导致不可逆视力损伤备受关注。传统诊断依赖彩色眼底照相（CFP），但30-60°的有限视野常遗漏周边病变。尽管深度学习在糖尿病视网膜病变等疾病中表现优异，但现有模型对病理性近视的特异性形态学特征（如后巩膜葡萄肿的灰暗带状环、近视性黄斑病变的分级萎缩）识别不足，且缺乏临床可解释性。更棘手的是，超广域成像（UWF）设备昂贵、标注专业门槛高，导致公开数据集稀缺，制约了算法开发。

针对这一挑战，深圳眼科医院（Shenzhen Eye Hospital）等机构的研究人员开展了突破性研究。团队构建了首个多中心UWF数据集PSMM，包含43,371张标注图像，覆盖后巩膜葡萄肿（PS/NoPS）和5级近视性黄斑病变（NoMRL至MA）。基于此，他们开发了轻量级框架RealMNet，采用预训练蒸馏的TinyViT-21M backbone（仅2100万参数），通过非对称聚焦损失（γ₊=3, γ_-=4）和分类器适配（λ=1.2）解决多标签不平衡问题。该成果发表于《npj Digital Medicine》，为病理性近视的精准诊断提供了新范式。

关键技术包括：1）多中心UWF数据采集与专家标注（META-PM标准）；2）分层Transformer架构与成本敏感校准；3）模拟增强与批处理增强技术；4）三阶段验证协议（集中推理、主源鲁棒性、循环源泛化性）。

多源数据集构建奠定研究基础
PSMM数据集整合5个医疗中心的UWF图像，由眼科专家标注后巩膜葡萄肿（二元分类）和近视性黄斑病变（5级分级）。数据显示，后巩膜葡萄肿与黄斑病变常共存（占21.7%），且类别分布高度不平衡（如MA仅占4.3%）。

轻量化模型实现高效诊断
RealMNet在集中推理协议下显著优于DeiT等基准模型（F1提升5.73%，P<0.001），其注意力热图显示对黄斑区（MA/PCA）和中周部视网膜（DCA）的特异性聚焦，与临床病变分布一致。

多协议验证临床适用性
主源鲁棒性测试中，模型在SUSTech子集保持AUROC 0.9869；循环源泛化性测试显示对术后病例（PC）识别F1达0.8394。UWF模态相比模拟CFP图像显著提升性能（mAP +6.03%，P<0.01）。

边界分析与可视化验证
物理设备边界的存在未显著影响模型性能（AUROC差异-0.02%，P>0.05），梯度加权类激活图（Grad-CAM++）显示模型能准确定位病变解剖区域。

该研究首次系统论证了UWF成像在病理性近视诊断中的优势，其轻量化设计（13.77G FLOPs）便于临床部署。局限性在于未涵盖漆裂纹（Lacquer Cracks）等"plus"病变，未来需整合OCT等多模态数据。Yang Liu和Keming Zhao等作者的工作为AI辅助眼病诊断树立了新标准，其开源框架（OpenMMLab平台）将加速相关研究。正如编辑评价，这项研究" bridging the gap between technical innovation and clinical needs"，为全球近视防控提供了重要工具。