FFA-RGNet：一种用于眼底荧光血管造影图像中可解释疾病诊断的时空图推理框架

《npj Digital Medicine》：An interpretable graph reasoning framework for enhanced diagnosis in fundus fluorescein angiography

摘要

眼底荧光血管造影（FFA）是诊断视网膜血管疾病的金标准。然而，与临床医生的推理过程和实际诊断工作流程相一致的可解释人工智能系统用于FFA图像分析仍然稀缺。在本研究中，我们引入了一个可解释的图推理框架FFA-RGNet，该框架明确模拟了连续FFA图像中病变的细粒度时间模式和空间位置，以进行疾病诊断。FFA-RGNet在一个大型、细粒度、多中心数据集上进行了训练和验证，该数据集包含来自2651名患者的25,312张FFA图像。FFA-RGNet在内部测试集上优于九个基线模型，F1分数达到95.38%（95% CI：92.24%–97.88%），并在多中心和前瞻性验证数据集上表现一致。其诊断性能不仅超过了眼科医生、住院医师和眼科学学生，而且作为辅助工具使用时，将他们的诊断F1分数提高了7.48%至14.11%。全面的推理分析进一步揭示了其正确识别细粒度语义实体和掌握与临床知识一致的稳定、疾病特异性图推理模式的卓越能力。这些结果表明，FFA-RGNet能够以可解释的推理过程实现准确诊断，凸显了其作为FFA解读和临床决策支持的可靠AI系统的巨大潜力。