基于MaxViT的轻量级视觉Transformer模型MaxGlaViT在青光眼分期早期诊断中的创新应用

研究人员针对青光眼早期诊断难题，开发出基于MaxViT架构的轻量级视觉Transformer模型MaxGlaViT。该研究通过改进多轴注意力机制和现代卷积结构，在HDV1数据集上实现高精度分期诊断，其参数效率和分类准确率均优于80种对比模型，为临床计算机辅助诊断(CAD)系统提供了可靠解决方案。

　　

青光眼作为一种隐匿性致盲眼病，早期诊断面临专业医师不足和就诊量超载的双重挑战。这项研究提出的MaxGlaViT模型创新性地改造了多轴视觉Transformer(MaxViT)架构：首先通过调整块数量和通道数实现模型缩放；其次在茎块(stem block)中集成注意力机制以增强低级特征提取；最后采用现代卷积结构优化高级特征提取。在HDV1眼底图像数据集上的测试表明，该模型在保持轻量化的同时，其诊断性能显著优于80种现有深度学习模型，尤其在青光眼早期阶段的识别中表现突出。这种兼具低计算成本和高准确率的解决方案，为构建可扩展的临床计算机辅助诊断(CAD)系统提供了新的技术路径。