机器学习在糖尿病视网膜病变筛查中的系统评价：现状、挑战与未来方向

本研究针对糖尿病视网膜病变(DR)筛查中人工诊断效率低、医疗资源不足等问题，系统评价了机器学习(ML)和深度学习(DL)技术在DR自动筛查中的应用现状。研究人员通过分析78篇文献，详细梳理了视网膜图像数据集特征、预处理技术、模型架构及性能指标，发现基于卷积神经网络(CNN)的算法在DR分级、定位和分割任务中表现优异，准确率最高达99.8%。该研究为开发高效、可解释的DR筛查系统提供了重要参考，对实现早期诊断和分级干预具有重要临床价值。

　　

糖尿病视网膜病变(DR)作为全球致盲的主要原因，其早期筛查面临巨大挑战。传统人工诊断方式不仅耗时费力，更因全球眼科医生分布不均（低收入国家每百万人仅3.7名）导致数亿患者难获及时诊疗。随着人工智能技术的突破，机器学习(ML)和深度学习(DL)为DR自动化筛查带来了新希望，但模型可解释性、计算复杂度等问题仍制约着临床转化。为此，Fitsum Mesfin Dejene等学者在《BMC Biomedical Engineering》发表系统评价，全面解析DR智能筛查的研究现状与技术瓶颈。

研究团队采用PRISMA指南，从Google Scholar等6大数据库筛选78篇文献，重点分析三大技术环节：首先评估APTOS 2019等12个公开视网膜数据集的特征差异；其次归纳对比CLAHE（限制对比度自适应直方图均衡化）、DWT（离散小波变换）等预处理技术；最后系统评价CNN、胶囊网络等7类算法的性能表现。特别关注模型参数规模与计算效率的平衡，如轻量级G-ENet（全局通道注意力EfficientNet）通过GBConv模块将参数量降至6.8M。

在视网膜图像处理方面，研究揭示了多种干扰因素：豹纹状眼底（leopard print）、盐椒噪声等会降低图像质量。通过对比实验发现，曲线波变换（curvelet-based sigmoid mapping）对散斑噪声的消除效果显著

。而CLAHE技术能有效增强微动脉瘤等微小病变的对比度，为后续分析奠定基础。

模型架构创新是研究的核心发现。在DR分级任务中，集成注意力机制的ABiLSTM（注意力双向长短期记忆网络）达到99.36%的准确率，其KMA（科莫多MLIPIR算法）优化策略显著降低计算耗时。对于资源受限场景，MobileNet（4.3M参数）配合随机森林分类器实现96.06%的准确率，而DenseNet-121通过密集连接设计在保持8.1M参数量的同时取得优异性能

。值得注意的是，定制化三层级联CNN在视盘定位中实现100%准确率，为解剖标志检测提供新思路。

病灶分割技术取得突破性进展。Transformer驱动的RTNet（关系变换网络）通过多尺度特征融合，对硬性渗出物（EX）分割的AUC达0.8644。UNet++架构在血管分割任务中表现突出，DRIVE数据集上准确率达98%

。而DLBUnet（可变形阶梯双注意力网络）结合DACNN（深度自适应CNN）的创新设计，使整体分类准确率提升至98.2%。

研究同时指出当前技术瓶颈：1）数据层面存在类别不平衡（如DIARETDB1数据集中病变样本占比94%）、标注不一致等问题；2）模型可解释性不足，Grad-CAM等可视化方法尚未完全解决"黑箱"难题；3）轻量化模型开发滞后，75M参数的Cascade Attentive RefineNet等复杂架构难以部署到基层医疗机构。

未来发展方向聚焦三大趋势：1）基于RETFound（视网膜图像基础模型）的自监督学习可缓解数据稀缺；2）联邦学习(FL)框架下，FedDL算法已实现94.66%的准确率且保障数据隐私；3）XAI（可解释AI）技术如SHAP（沙普利加和解释）能清晰展示模型决策依据，增强临床可信度。

这项系统评价为DR智能筛查领域树立了重要里程碑。通过量化比较2,056项性能指标，证实融合注意力机制的轻量级CNN（如G-ENet）在准确率与效率间达到最佳平衡。提出的预处理-分割-分类技术路线，为开发符合临床需求的自动化筛查系统提供了标准化参考。特别是对计算复杂度的深入分析（如比较EfficientNet-B0的4.3M与VGG19的143.7M参数），为资源受限地区的技术选型提供了关键依据。随着FL和XAI技术的成熟，这项研究将加速AI辅助诊断从实验室向临床的转化，最终实现WHO提出的"全民眼健康"目标。