基于生成对抗网络的糖尿病视网膜病变进展预测模型DRForecastGAN的构建与临床验证

本研究针对糖尿病视网膜病变(DR)进展预测的临床需求，开发了DRForecastGAN预测框架。该模型通过生成对抗网络(GAN)结合注册网络和病灶分割掩膜，实现了未来眼底图像的合成与DR严重程度预测。在内部验证和外部测试数据集上，其FID(27.3/37.6)、PSNR(25.3/20.7)和SSIM(0.93/0.86)指标均优于CycleGAN和Pix2Pix模型，AUC达0.87和0.85，为DR的个体化治疗和监测提供了可视化工具。

　　

糖尿病视网膜病变(DR)作为全球工作年龄人群和中老年人视力丧失的首要原因，其早期预测对防止不可逆视力损伤至关重要。随着糖尿病患病率的持续攀升，DR患者数量呈指数级增长，给全球公共卫生系统带来沉重负担。目前临床主要通过定期眼底检查监测DR进展，但传统筛查技术存在外周视网膜成像局限、依赖专业眼科医师解读等问题。更棘手的是，基于静态图像的评估难以预测疾病动态演变，而国际指南推荐的随访间隔(1个月至3年不等)缺乏个体化依据。这些临床痛点催生了人工智能技术在DR管理中的应用需求。

《Communications Medicine》最新发表的研究通过构建DRForecastGAN模型，创新性地将生成对抗网络(GAN)应用于DR进展预测。该研究回顾性收集了来自iKANG健康中心和解放军总医院的4658名患者数据，包含28509张眼底图像。关键技术包括：1)构建含生成器、判别器和配准网络的三模块架构；2)采用四类病灶(微动脉瘤、出血、软性渗出、硬性渗出)分割掩膜引导模型关注病变区域；3)使用ResNet50分类模型评估生成图像的DR严重程度；4)通过FID、PSNR、SSIM等指标量化模型性能。

模型构建与验证

DRForecastGAN采用条件GAN框架，输入当前时间点眼底图像及病灶分割掩膜(V∈R^H×W×4)，通过对抗损失(L_Adv)和正则化损失(L₁)联合优化。配准网络解决了两次成像间的空间不一致问题，其总损失函数为λ₁L₁+λ₂L_Adv。在内部验证集(2734图像)和外部测试集(8523图像)上，该模型生成的图像质量显著优于对比模型。

临床预测性能

在DR严重程度预测方面，DRForecastGAN的AUC值(0.87/0.85)明显高于CycleGAN(0.76/0.70)和Pix2Pix(0.75/0.69)。如图3所示，该模型能准确预测轻度、中度和重度非增殖性DR(NPDR)的进展轨迹，对微动脉瘤等微小病变的生成保真度更高。

这项研究开创性地将生成对抗网络应用于DR进展可视化预测，其创新价值主要体现在三方面：技术层面，通过配准网络解决纵向图像空间变异问题，结合病灶分割掩膜提升模型对微小病变的敏感性；临床层面，生成的预测图像可辅助医患沟通，优化个体化随访方案；方法论层面，建立的多中心验证框架(内部验证+外部测试)增强了模型的可信度。尽管存在训练数据偏差、模式坍塌等GAN固有局限，但该研究为AI驱动的动态疾病预测提供了范式参考。未来通过纳入时间因素建模、扩展病灶类型覆盖、融合多模态影像数据等改进，有望进一步推动精准眼科诊疗的发展。