加权损失函数在青光眼不平衡检测中的应用：基于视觉解释的性能提升与临床意义

这篇研究通过加权损失函数（weighted loss）改进卷积神经网络（CNN）在青光眼（glaucoma）眼底图像分类中的性能，在SMDG-19数据集上验证了该方法显著提升召回率（recall）44.75%至87.3%，F1值提升7.25%，同时结合Grad-CAM可视化技术证实模型聚焦于视神经头（optic nerve head）等临床关键区域，为不平衡医疗数据分类提供了可解释性解决方案。

　　

Highlight

本研究提出加权损失函数策略，有效解决青光眼眼底图像数据中的类不平衡问题。在标准SMDG-19数据集上，该方法使CNN模型的召回率从60.3%跃升至87.3%（相对提升44.75%），F1值从66.5%优化至71.4%（＋7.25%），虽伴随精度（precision）小幅下降6.53%和准确率（accuracy）降低4.10%，但AUC提升3.21%至87.4%。Grad-CAM热图显示，模型决策始终聚焦视神经头（optic disc）和神经视网膜边缘（neuroretinal rim）等临床相关区域，验证了方法的生物学合理性。

Discussion

基线模型在标准二元交叉熵损失（BCE loss）下的表现揭示了类不平衡医疗数据的核心缺陷。例如，InceptionV3和ResNet50在G1020数据集上召回率归零，而加权损失使所有架构的召回率中位数提升27.3%。值得注意的是，DenseNet121结合加权损失时，在ORIGA数据集上实现召回率91.2%，优于基线41.7%，且Grad-CAM热图显示其能捕捉早期青光眼特征如视杯扩大（cup-to-disc ratio增大）和视网膜神经纤维层变薄。

Limitations

尽管研究使用涵盖19个公开来源的SMDG-19数据集，但回顾性设计可能限制模型在前瞻性临床环境中的泛化能力。此外，数据标注依赖专家主观评估，且未考虑青光眼亚型（如开角型/闭角型）的病理差异。未来需探索多模态数据（如OCT图像）与动态损失权重调整策略。

Conclusion

加权损失函数显著提升CNN对青光眼（尤其是早期病例）的检测敏感性，其召回率优势（44.75%提升）在临床早筛场景中至关重要。尽管存在精度-召回权衡（precision-recall trade-off），但Grad-CAM验证的解剖学聚焦特性使其优于焦点损失（focal loss）等替代方案，为不平衡医疗图像分析提供了兼顾性能与可解释性的解决方案。