DINO-EYE:基于自监督学习的原发性开角型青光眼视盘表型智能识别新方法

《Scientific Reports》:DINO-EYE: self-supervised learning for identification of different optic disc phenotypes in primary open angle glaucoma

【字体: 大 中 小 】 时间:2026年01月11日 来源:Scientific Reports 3.9

编辑推荐:

  本研究针对原发性开角型青光眼(POAG)视盘表型分类存在观察者间差异大、主观性强的问题,开发了基于DINO视觉Transformer的自监督学习模型DINO-EYE。该模型利用850张视盘照片,通过数据增强生成10,493张图像,提取2048维潜在特征,实现了六种视盘表型的精准分类(准确率达92.1%),其注意力图谱与临床特征高度吻合,为青光眼个体化诊疗提供了可靠的AI决策支持工具。

  
青光眼作为一种慢性进展性视神经病变,是全球不可逆性盲的主要病因之一。最新meta分析预测,到2040年全球青光眼患者将达1.118亿人。早期诊断对于阻止疾病进展至关重要,而视盘照片(ODPs)作为传统且经济的检查手段,在青光眼筛查和随访中发挥着重要作用。临床实践中,研究者根据视盘形态特征将原发性开角型青光眼(POAG)划分为不同表型,包括弥漫性变薄、局灶性变薄、获得性视神经凹陷(APON)、倾斜视盘、广泛性视盘周围萎缩(PPA)和广泛性变薄等。这些表型与特定的人口统计学特征和临床表现相关,有助于实现个体化治疗。
然而,这种表型分类方法在临床应用中面临严峻挑战。不同医师之间由于经验、培训背景和主观判断差异,对视盘表型的判定存在显著不一致。研究表明,即使引入第三名医师进行仲裁,三名专家之间的完全不一致率仍高达30%。这种观察者间差异严重影响了表型分类的可靠性和临床应用价值。
随着人工智能技术的快速发展,自监督学习(SSL)为医学图像分析带来了新的机遇。特别是在青光眼诊断领域,深度学习模型能够从大量图像中自动学习特征,减少人为偏差。然而,现有研究多集中于青光眼与非青光眼的二分类问题,对于更精细的表型区分研究尚属空白。
为此,来自加州大学洛杉矶分校(UCLA)Jules Stein眼科研究所的研究团队开发了DINO-EYE自监督学习框架,专门用于POAG视盘表型的自动识别。该研究近期发表在《Scientific Reports》杂志,为青光眼的精准诊断提供了新的技术路径。
研究团队采用了几项关键技术方法:收集850例POAG患者的视盘照片,通过旋转、缩放和高斯噪声等数据增强技术解决类别不平衡问题;使用DINO视觉Transformer作为主干网络,通过自蒸馏框架学习图像表征;提取2048维潜在特征用于随机森林和XGBoost分类器训练;生成注意力图谱进行模型可解释性分析;采用UMAP进行降维可视化,并通过无监督聚类探索潜在新表型。
Phenotype Demographics and Dataset Augmentation
研究人群以女性为主(58.2%),高加索人种占比最高(57.6%)。倾斜表型组中亚洲人群比例最高(41.9%),平均年龄最低(65岁)。通过数据增强,最终获得10,493张增强图像,按8:2比例划分为训练集和测试集。
Model Training and Feature Extraction
研究采用批量大小为32,使用预训练的"dino_vits16"作为主干模型,隐藏层维度384,学习率0.001,最大训练轮数250轮。DINO-Eye成功从原始图像中学习到2048维特征表示。
Phenotype Classification Using SSL Features
在2,209张测试图像上,随机森林分类器对六种表型的分类准确率达到91%,XGBoost为90.5%。考虑到APON与局灶性变薄在临床和病理上的高度重叠性,研究将两者合并后重新训练,分类准确率提升至92.1%。
Attention Map Interpretability
注意力图谱分析显示,不同注意力头专注于特定表型特征:注意力头1与倾斜表型相关,注意力头2与广泛性PPA相关,注意力头3与弥漫性变薄相关,注意力头4与广泛性变薄相关。这种特征聚焦模式与临床专家的诊断标准高度一致。
Comparison with RETFound Model
与RETFound基础模型对比发现,DINO-Eye在相同测试集上的表现更优(准确率92.1% vs 89%)。这表明针对特定任务进行端到端训练的领域专用模型,可能比通用基础模型具有更好的性能。
研究结论表明,DINO-Eye框架成功从视盘照片中提取了具有临床意义的特征,能够准确分类POAG视盘表型。该模型在性能和可解释性方面均优于现有SSL模型,为青光眼临床决策支持和个体化治疗规划提供了有力工具。尽管无监督聚类未能发现新的表型,但观察到的连贯分组提示在更大样本中可能存在新的表型变异。
该研究的创新之处在于将自监督学习应用于青光眼表型分类这一精细任务,而非常规的疾病检测。通过注意力图谱提供可视化解释,增强了模型的可信度和临床接受度。未来研究方向包括扩大多中心验证、优化类别不平衡处理策略,以及将模型与大型语言模型结合,构建多模态青光眼诊疗系统。
值得注意的是,研究存在单中心数据、样本量有限等局限性,且表型标签本身存在主观性。然而,作为少数将SSL应用于青光眼表型分类的研究之一,DINO-Eye为降低临床医师主观偏差、提高诊断一致性提供了有效解决方案,有望在基层医疗和医师培训中发挥重要作用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号