基于主动混合双向长短期记忆网络的视网膜图像青光眼智能检测研究

【编辑推荐】本研究提出主动混合双向长短期记忆网络（Proactive Hybridized BiLSTM），通过处理OCT和眼底（FUNDUS）图像实现青光眼早期检测，准确率达96.65%。模型创新性融合动态参数调整与注意力增强模块，有效捕捉视网膜细微病变特征，突破传统方法在时序依赖性和适应性上的局限。

　　

亮点

本研究提出的主动混合双向长短期记忆网络（BiLSTM）通过动态调整模块实时优化内部参数，像"智能显微镜"般持续适应青光眼影像特征演化。其独特的注意力增强机制如同给算法装上"聚焦透镜"，自动加权关键病变指标——从视杯（OC）与视盘（OD）的30%临界比例异常，到神经视网膜缘的细微结构变化。

方法学

模型训练采用多源数据集（SMDG-19、DRISHTI-GS1等），通过残差网络（ResNet）提取视网膜分层特征，结合K-best排序选择机制过滤冗余信息。这种"特征精馏"流程使模型在保留97.2%有效信息的同时，将计算复杂度降低42%。

结果

在对抗测试中，模型展现出类人眼科专家的判断力：对早期青光眼特有的"颞侧视盘凹陷"识别灵敏度达96.51%，特异性96.79%。其双向时序处理能力成功捕捉到传统CNN模型遗漏的7.3%渐进性病变特征。

结论

该模型如同永不疲倦的"数字眼科医生"，其自适应特性可应对临床中模糊成像（如角膜水肿干扰）等挑战。未来嵌入边缘计算设备后，有望将筛查时间从传统6次复诊压缩至单次10分钟检测。

作者声明

全体作者确认本研究无利益冲突，所有实验数据可经伦理审查委员会授权后开放获取。

（注：翻译严格遵循了术语规范，如OC/Optic Cup、OD/Optic Disc等专业缩写均保留原文格式，并采用"数字眼科医生"等拟人化表述增强可读性）