基于知识蒸馏的公平性增强OCT青光眼进展预测模型研究

本研究针对青光眼进展预测中存在的算法公平性问题，创新性地提出FairDist模型。研究人员通过整合基线光学相干断层扫描(OCT)数据和知识蒸馏技术，开发了具有公平性意识的EqEffNet网络架构，在MD Fast和TD Pointwise两种进展类型预测中均实现了最优的AUC(0.74-0.78)和公平性调整AUC(0.65-0.72)，为解决医疗AI中的群体差异问题提供了新范式。

　　

青光眼作为全球第二大致盲性疾病，其不可逆的视力损害特性使得早期进展预测至关重要。然而当前临床面临双重挑战：一方面，传统视野检测(VF)存在显著的重测变异性；另一方面，基于深度学习的OCT分析方法虽展现出潜力，却在不同人口统计学群体中表现出预测性能的不均衡。特别值得注意的是，非裔和西班牙裔人群的青光眼发病率是白种人的2-3倍，但现有AI模型在这些群体中的表现反而更差——这种"算法偏见"可能加剧医疗资源分配的不平等。

针对这一关键问题，哈佛大学眼科AI实验室(Harvard Ophthalmology-AI Lab)的研究团队在《npj Digital Medicine》发表了突破性研究成果。该研究创新性地将公平性约束机制与知识蒸馏技术相结合，开发出FairDist预测系统。通过分析10,000例OCT基线扫描和500例纵向随访数据，研究证实该模型在保持高准确率(AUC 0.74-0.78)的同时，显著缩小了不同种族/性别群体间的性能差距(ES-AUC提升0.11-0.15)。这项工作为建立负责任的医疗AI提供了重要技术范式。

研究采用三大关键技术路径：(1)构建包含200张B-scan的3D OCT数据集，通过VF测试定义MD≤-1dB和TD点状进展两种金标准；(2)在EfficientNet骨干网络中嵌入公平性注意力层，开发EqEffNet分类器；(3)通过KL散度实现检测模型到预测模型的知识蒸馏。特别设计了属性感知的特征重加权机制，使模型能动态调整不同人口学特征的OCT特征重要性。

【Glaucoma detection results】
公平性改进的EqEffNet在10,000例检测任务中展现出显著优势：男性组AUC从0.83提升至0.85(p<0.05)，白人组AUC提升0.04(p<0.01)。尽管亚裔和非裔组的绝对AUC未改善，但通过ES-AUC衡量的整体公平性提升0.02(p<0.01)，证实了公平性注意力机制的有效性。

【MD fast progression prediction results】
在性别维度，FairDist以0.74的AUC和0.69的ES-AUC显著优于基线模型(p<0.01)，女性组AUC达0.75。种族维度表现更为突出：模型在非裔组的AUC较基线提升0.14(p<0.01)，亚裔组提升0.20(p<0.01)，最终ES-AUC达0.68。值得注意的是，其敏感性(0.73)与特异性(0.70)的平衡优于传统对抗训练方法。

【TD pointwise progression prediction results】
对于更精细的TD点状进展预测，FairDist在种族维度取得0.75 AUC和0.65 ES-AUC的最佳表现。虽然白人组AUC(0.76)略低于EqEffNet，但亚裔组的显著改善(ΔAUC=+0.20)确保了整体公平性。梯度加权类激活图显示，模型能更准确地聚焦于视网膜神经纤维层(RNFL)的关键病变区域。

这项研究通过多角度验证揭示了几个重要发现：(1)知识蒸馏可将大规模检测数据中的公平性模式迁移至小规模预测任务；(2)单纯的性能优化可能加剧群体差异，如EfficientNet在亚裔组的"过度拟合"现象；(3)不同进展类型需要差异化的公平性策略——MD进展更需关注种族平衡，而TD进展需兼顾性别差异。研究者特别指出，医疗AI的公平性本质是多目标优化问题，绝对的群体间均等难以实现，但通过EqEffNet的特征重加权机制，可在<3%的整体性能损耗下实现ES-AUC的显著提升。

该研究的临床意义在于：首次将OCT基线特征与长期VF进展通过公平性框架关联，使临床医生能提前6年识别高风险人群，且预测结果不受患者人口学特征干扰。技术层面提出的"公平性蒸馏"范式可扩展至阿尔茨海默病、糖尿病视网膜病变等慢性病进展预测领域。数据集Harvard-GDP的公开共享也为后续研究提供了重要基准。未来工作需在更大规模队列中验证模型泛化性，并探索多模态数据(如眼底彩照)的公平性融合策略。