基于EfficientNetB7的机器学习模型在青光眼严重程度分级中的应用研究

本研究针对青光眼筛查中结构-功能关系复杂、农村地区诊断资源有限的问题，开发了基于眼底彩照的EfficientNetB7卷积神经网络模型。研究人员采用Hodapp-Parrish-Anderson(HPA)分级标准，对2940张眼底图像进行三分类（正常/轻中度/重度），模型整体准确率达0.871（95% CI, 0.822-0.919），AUC最高达0.988。该技术为资源匮乏地区提供了单模态筛查方案，对青光眼早期干预具有重要意义。

　　

青光眼作为全球不可逆性致盲的首要病因，预计到2040年患者将达1.118亿。当前诊断依赖眼底照相、光学相干断层扫描(OCT)和标准自动视野检查(SAP)的组合，但基层医疗机构往往仅配备眼底相机。更棘手的是，传统青光眼严重程度分级主要依据视野检查的 mean deviation(MD)值，而忽视Hodapp-Parrish-Anderson(HPA)标准中模式偏差概率图和固视点邻近缺损等关键指标，导致早期病变识别不足。

泰国孔敬大学医学院的研究团队在《Scientific Reports》发表创新研究，首次将HPA分级标准与深度学习结合，开发了基于单张眼底彩照的EfficientNetB7卷积神经网络模型。通过分析视神经乳头(ONH)区域的结构特征，该模型成功实现青光眼严重程度的三级分类，为资源受限地区提供了可靠的筛查工具。

研究采用回顾性设计，收集2016-2023年间1789名患者的2940张眼底图像，由三位青光眼专家根据HPA标准标注为正常、轻中度和重度三类。关键技术包括：1）使用Nonmyd系列眼底相机采集图像，聚焦ONH区域并统一缩放至224×224像素；2）采用迁移学习策略，冻结EfficientNetB7前61%层，微调后39%层；3）通过十折交叉验证评估性能，平均单图推断耗时741毫秒。

数据集分布

研究纳入的2940张图像中，训练集含856例正常、799例轻中度和913例重度，患者平均年龄60-68岁。值得注意的是，由于转诊中心特性导致中早期样本较少，最终合并轻中度为一类。

模型性能

在测试集中，模型整体准确率达0.871，其中正常组表现最优（AUC=0.988），轻中度和重度组AUC分别为0.932和0.963。特异性普遍高于0.9，但轻中度组灵敏度相对较低（0.823），主要误判发生在实际重度被预测为轻中度（10例）以及实际轻中度被预测为重度（5例）。Grad-CAM可视化显示，模型决策主要依据视杯形态特征，当视杯呈"浅碟状"时易出现误判。

讨论与意义

该研究首次证明单模态眼底图像结合HPA标准可实现青光眼精准分级。相较于既往仅依赖MD值的分类系统，本模型通过捕捉视杯形态与视网膜神经纤维层(RNFL)特征，更贴近临床实际。虽然白内障等因素可能影响视野检查结果，但模型在测试集仍保持0.936的特异性，证实其筛查可靠性。

研究局限性在于三级分类未能区分轻、中度，且未整合OCT多模态数据。作者建议未来可探索AGIS/CIGTS评分标准以提升性能。这项成果为初级医疗机构提供了可推广的筛查方案，尤其对识别需紧急干预的重度病例具有重要临床价值。