《Diagnostics》：Vessel-Specific Quantitative Plaque Characteristics on Coronary CT Angiography for Prediction of FFR-Defined Myocardial Ischemia
编辑推荐：
背景/目的：干眼病（dry eye disease, DED）的评估需结合患者报告的症状与眼表发现。研究评估了一种结合定性事后解释（qualitative post hoc explanation）的深度学习策略，应用于两项独立的眼科影像任务：基于前节裂隙灯图
背景/目的：干眼病（dry eye disease, DED）的评估需结合患者报告的症状与眼表发现。研究评估了一种结合定性事后解释（qualitative post hoc explanation）的深度学习策略，应用于两项独立的眼科影像任务：基于前节裂隙灯图像的DED与健康眼分类；以及使用Guillon分类法对Tearscope图像中泪膜脂质层（tear film lipid layer, TFLL）干涉图样进行四分类识别。方法：对ResNet骨干网络进行改进，通过添加并行扩展通道，同时保持ImageNet初始化的通道冻结。新增通道采用He正态初始化，并以1 × 10?4的学习率训练，MLP分类头以1 × 10?3的学习率训练。在开发数据内采用拉丁超立方采样（Latin hypercube sampling）进行超参数选择。研究仅将Grad-CAM和Grad-CAM++用于事后解释。评估了ShECS裂隙灯图像（n = 434）和VOPTICAL-Is Tearscope图像（n = 406）。结果：在原始评估下，ResNet-101×3在两项任务中均取得所评估配置中的最高得分。在ShECS上，准确率为74%（95% CI: 0.63–0.82），DED（阳性）类的精确率为0.80，召回率为0.90，F1得分为0.85，AUC为0.80。在VOPTICAL-Is上，原始图像级评估的四类TFLL准确率为90%（95% CI: 0.82–0.95），宏平均精确率为0.89，宏平均召回率为0.90，宏平均F1为0.89，宏一对多AUC为0.98。结论：这些初步的概念验证结果支持对通道扩展与差异化训练相结合的策略，以及用于眼科图像分类的定性事后解释方法进行进一步评估。由于VOPTICAL-Is仅包含健康受试者图像，且所获取的发布版本中未记录受试者标识符（在开发子集与保留子集之间观察到组代码重叠，无法排除受试者重叠），第二项任务代表图像级TFLL图样分类，而非临床DED亚型诊断。一项使用冻结ResNet-50特征提取器的独立代码分组敏感性分析得出0.59的保留集准确率（宏一对多AUC为0.85）。由于该分组运行未重新运行0.90的ResNet-101×3配置，数值差异不能仅归因于划分方式，也不能被解释为受试者级泄漏的直接度量；而是表明对分组感知划分的敏感性。因此，原始图像级估计应被视为探索性的，而非受试者级泛化的证据。在同一代码分组划分上执行的受控2 × 2因子消融实验（通道宽度×可训练性策略），以TensorFlow/Keras ResNet-50重建形式进行，每个单元三个种子，描述性结果表明，解冻最终卷积阶段与更高的准确率和宏F1相关（例如，标准宽度：准确率0.556 vs. 0.469），而加宽的效果在各指标和政策间较小且不一致。这些描述性总结不涉及显著性检验，也不度量受试者级泄漏。在常规使用前，需要对已识别队列进行外部临床验证。
论文解读：基于通道扩展与差异化训练的深度学习策略在眼科影像分类中的应用
一、研究背景与问题提出
干眼病（dry eye disease, DED）反映泪膜稳态的丧失，可涉及水液缺乏型和蒸发过强型机制，且两者常并存。其患病率估计因研究人群和诊断定义的不同而有所差异。由于症状与客观体征并非总是一致，临床评估通常将两者结合，而非依赖单一检查。识别主导机制也可能影响管理决策。Tearscope成像可提供泪膜脂质层（tear film lipid layer, TFLL）干涉图样的视图；Guillon分类法包括开放网状（open meshwork）、闭合网状（closed meshwork）、波浪状（wave）和彩色条纹（color fringe）等类别。这些图样描述的是泪膜图像，不应等同于患者层面的DED表型，如水液缺乏型、蒸发过强型或混合型。因此，研究人员考察了两项独立的图像分类任务：基于ShECS前节裂隙灯图像的DED与健康眼分类，以及基于VOPTICAL-Is Tearscope图像的四类TFLL图样识别。建模流程结合了通道加宽的CNN骨干网络、迁移学习、超参数优化和事后解释。近期DED影像研究已使用深度学习进行视频角膜地形图、荧光素染色裂隙灯图像及相关眼科成像分析，而综述继续强调外部验证和临床稳健评估是主要需求。本研究所用的各组件（ResNet骨干、ImageNet迁移学习、通道加宽、拉丁超立方采样、Grad-CAM/Grad-CAM++）均为成熟技术，研究不声称提出新的骨干网络或优化器。本研究的贡献在于其特定的、可复现的组合方式，以及在两个小样本眼科影像场景中的初步评估：（i）以可训练的、He正态初始化的通道加宽ResNet骨干，与冻结的ImageNet通道拼接，并对扩展通道和分类头采用不同的学习率；（ii）将空间填充超参数选择限制在开发划分内，并进行重复交叉验证；以及（iii）明确说明划分约束，包括VOPTICAL-Is中缺乏受试者标识符。结果旨在作为初步的概念验证证据，而非临床诊断性能的证据。
二、研究内容与主要结论
研究人员在共同的实验流程中实现了两个独立训练的分类分支。ShECS分支使用前节裂隙灯图像区分DED与健康眼，而VOPTICAL-Is分支将Tearscope图像归入四个Guillon TFLL干涉图样类别之一。第二个分支是图像图样分类器，而非临床DED亚型分类器。为适应适中的数据集规模，图像被一致地预处理，ResNet通道宽度被扩展三倍（ResNet-152为四倍）。预训练的ImageNet通道保持固定；此外，新增通道采用He正态初始化，并以1 × 10?4的学习率优化，而分类头以1 × 10?3的学习率优化。超参数选择仅限于开发数据。Grad-CAM和Grad-CAM++仅在分类后生成用于定性解释，保留测试集未用于模型选择。
在原始评估下，ResNet-101×3配置在两项任务中均取得最高得分。在ShECS上，准确率为74%（95% CI: 0.63–0.82），DED阳性类的精确率为0.80，召回率为0.90，F1得分为0.85，AUC为0.80；该配置的ImageNet-1K和ImageNet-21K初始化获得了相同结果。在VOPTICAL-Is上，原始图像级评估的四类TFLL准确率为90%（95% CI: 0.82–0.95），宏平均精确率为0.89，宏平均召回率为0.90，宏平均F1为0.89，宏一对多AUC为0.98。Grad-CAM和Grad-CAM++生成了定性可视化热图，仅用于视觉检查，未与专家标注区域进行评分比较。
三、关键技术方法
研究人员采用的主要技术方法包括：通道加宽的ResNet骨干网络（ResNet-101×3和ResNet-152×4），将ImageNet预训练冻结通道与He正态初始化可训练扩展通道沿通道维度拼接；差异化训练策略，分类头以1 × 10?3、扩展通道以1 × 10?4的学习率分别优化，预训练骨干不参与梯度更新；拉丁超立方采样（Latin hypercube sampling, LHS）进行超参数选择，搜索空间覆盖L2强度（0.0001–0.01）和dropout概率（0.1–0.5）；以及Grad-CAM和Grad-CAM++事后解释方法。数据来源方面，ShECS是伊朗沙赫鲁德进行的人群为基础的眼科队列，使用Topcon SL-7E Photo裂隙灯采集图像，分析集包含434张图像（290张健康眼、144张DED）；VOPTICAL-Is由VARPA分发，包含406张来自健康深色眼睛参与者（19–33岁）的TFLL图像，使用Tearscope Plus配合Topcon SL-D4裂隙灯和Topcon DV-3数码摄像机采集，分辨率为1024 × 768像素RGB，类别计数为159张开放网状、117张闭合网状、90张波浪状和40张彩色条纹。
四、研究结果
4.1 与相关研究的比较：相对于早期VOPTICAL系列研究，TFLL分支（健康受试者图像的图像级图样分类）在性能范围相似的情况下，用学习的CNN特征替代了手工设计的颜色/纹理描述符，并增加了定性事后解释图。跨研究百分比不应被视为来自同一实验而直接比较。一项更近期的轻量级CNN研究结合了EfficientNet-B0和MobileNetV2特征与元启发式特征选择和KNN分类器，在VOPTICAL_I1和VOPTICAL_L上报告了98.08%和98.15%的准确率，但这些是不同于VOPTICAL_Is的变体，且在不同划分下评估，因此不能直接与本研究比较。
4.2 评估与局限性：VOPTICAL-Is仅包含健康的深色眼睛参与者（19–33岁），其分类任务是图像图样问题而非临床DED亚型验证。VOPTICAL-Is未记录受试者标识符；文件名中的数字代码可能对应参与者，诊断分析表明图像级评估对此分组结构敏感。一项代码分组敏感性分析使用冻结的ImageNet初始化ResNet-50特征提取器配合重训练的MLP头（种子42），在代码分组划分上达到0.59的保留集准确率（95% Wilson CI: 0.48–0.70），宏一对多AUC为0.85。该性能明显低于原始图像级配置报告的0.81–0.90准确率范围，但该比较并非受控的仅划分实验，因为分组分析使用了冻结的ResNet-50特征提取器，而原始配置包含不同架构和可训练性策略。因此数值差异不应被解释为受试者级泄漏的直接度量，而是表明对分组感知划分的敏感性。为直接解决宽度与可训练性的混淆，研究人员在代码分组划分上执行了受控的2 × 2因子消融实验（TensorFlow/Keras ResNet-50重建）：通道宽度（标准vs.加宽×3）与可训练性策略（冻结骨干vs.可训练conv5阶段）交叉，划分（293训练、32验证、81保留测试图像）、预处理、优化预算和保留图像均保持固定，每个单元三个种子。描述性结果表明，解冻conv5阶段与两个宽度变体中更高的准确率和宏F1相关（标准宽度：准确率0.556 vs. 0.469；宏F1 0.490 vs. 0.410），而加宽的边际效应较小且在各指标和政策间方向不一致。由于原始自定义训练源码不可用，该消融使用TensorFlow/Keras ResNet-50重建而非原始自定义流程的精确重执行，其推断仅限于此重建。
4.3 可扩展性与互操作性：加宽的代价是总参数数量大幅增加，而加宽模型中仅新增滤波器和MLP头被更新。在384 × 384输入尺寸下，未修改骨干网络的分析计算成本为ResNet-50 12.0 GMACs、ResNet-101 22.9 GMACs、ResNet-152 33.8 GMACs（仅卷积层）；加宽变体约36 GMACs（ResNet-50×3）、69 GMACs（ResNet-101×3）和135 GMACs（ResNet-152×4）。这些是分析近似值，未测量实际FLOPs/MACs、延迟和内存。
五、讨论总结与结论翻译
讨论部分指出，ShECS和VOPTICAL-Is不能被视为外部验证对：尽管分别来自伊朗和西班牙，但它们使用不同的成像模态、人群和预测终点。研究存在多项局限性：ShECS分析图像集相对较小；VOPTICAL-Is仅包含健康受试者且未记录受试者标识符；四个TFLL类别分布不均（159、117、90和40张图像）；未使用大量增强；两项任务均未在外部多中心队列中测试。研究强调，原始VOPTICAL-Is图像级结果应被视为探索性的，而非受试者级泛化的证据。
结论部分翻译如下：本研究评估了一种深度学习流程，结合了通道扩展与差异化冻结/训练以及定性事后解释，应用于两个独立的眼科影像问题。在原始评估下，ResNet-101×3配置在ShECS DED分类中达到74%准确率，并在原始VOPTICAL-Is图像级比较中取得最高数值准确率（90%，宏F1 = 0.89）。Grad-CAM和Grad-CAM++仅提供模型注意力的定性可视化，未经临床验证。由于VOPTICAL-Is包含健康受试者，且所获取版本中未记录受试者标识符，无法排除受试者重叠。一项使用冻结ResNet-50特征提取器配合重训练头的独立代码分组敏感性分析得出0.59的保留集准确率。由于该分组运行未重新运行相同的原始配置，数值差异不能仅归因于划分方式，也不直接量化受试者级泄漏，而是表明对分组感知划分的敏感性。因此，原始VOPTICAL-Is图像级结果应被视为探索性的，而非受试者级泛化的证据。此外，在代码分组划分下的受控2 × 2因子消融实验中，解冻最终阶段与更高的准确率和宏F1描述性相关，而加宽的效果较小且在各政策间不一致；该消融使用TensorFlow/Keras ResNet-50重建而非原始流程的精确重执行，其跨种子总结是描述性的（无显著性检验）。这些初步的概念验证发现需要在更大、已识别、受试者级、多中心和前瞻性队列中验证，方可进行任何临床或远程眼科使用。
