Swin-DRNet：一种在异构成像条件下用于糖尿病视网膜病变筛查的强大Transformer框架

《Scientific Reports》：Swin-DRNet: A robust transformer framework for diabetic retinopathy screening under heterogeneous imaging conditions

　　

摘要

糖尿病视网膜病变（DR）是全球范围内可预防的导致视力障碍的主要原因之一，因此需要能够在不同成像条件下可靠运行的自动化筛查系统，尤其是面对类别分布严重不平衡的情况时。尽管最近的深度学习技术在数据集内展现出了其能力，但在大规模远程眼科筛查应用中仍存在局限性，这主要是由于这些技术在跨数据集的泛化能力较弱以及对少数疾病阶段的检测敏感度较低。在本文中，我们介绍了Swin-DRNet，这是一个基于Transformer的强大框架，用于糖尿病视网膜病变的自动化筛查。该框架结合了多阶段对比度自适应预处理、类别感知的表示学习以及针对病灶优化的损失函数设计，所有这些功能都集成在Swin Transformer的层次化架构中。这种方法特别适合提高病灶的可见性、稳定不平衡类别下的学习过程，并在使用多种眼底照片作为输入时提升筛查性能的鲁棒性。通过对三个公开可用的基准数据集APTOS 2019、IDRiD和Messidor2的广泛测试表明，Swin-DRNet在所有数据集上均取得了高质量的结果：总体准确率为96.68%，F1分数为96.20%，ROC-AUC分数为99.83%；同时对于临床上重要的晚期糖尿病视网膜病变阶段也保持了较高的召回率。这些发现表明，Swin-DRNet为现实世界中的糖尿病视网膜病变筛查提供了一个可靠且可扩展的解决方案，适用于包括多种成像平台在内的远程眼科诊疗场景。为确保透明度和可重复性，所提出的Swin-DRNet框架的完整实现已公开发布在：https://github.com/damomtpcse/Swin-DRNe。