《Frontiers in Physiology》：Advanced retinal disease detection using RHT-Net: a hybrid deep learning approach with augmented fundus imaging
编辑推荐：
摘要
引言：视网膜疾病是全球视力损伤的主要原因，凸显了对准确且可扩展的自动化筛查系统的需求。本研究引入了RHT-Net（视网膜混合Transformer网络，Retinal Hybrid Transformer Network），一种新颖的混合深度学习架构，旨
摘要
引言：视网膜疾病是全球视力损伤的主要原因，凸显了对准确且可扩展的自动化筛查系统的需求。本研究引入了RHT-Net（视网膜混合Transformer网络，Retinal Hybrid Transformer Network），一种新颖的混合深度学习架构，旨在通过结合卷积神经网络（CNN）和Transformer编码器（Transformer Encoder）的优势，从彩色眼底图像中对九种视网膜疾病进行多类分类。
方法：RHT-Net整合了残差卷积神经网络（Residual CNN）用于局部特征提取，以及Transformer编码器用于捕获长程全局依赖关系。本研究使用了来自孟加拉国患者的5,318张彩色眼底图像的真实世界数据集。数据增强技术，包括旋转、翻转和高斯噪声添加，将数据集扩展至21,272张图像。图像通过调整大小为224 × 224像素，并使用对比度受限自适应直方图均衡化（CLAHE）进行对比度增强进行预处理。增强后的数据集被分为训练子集（80%）和测试子集（20%），用于模型开发和评估。
结果：所提出的RHT-Net在训练集上达到了97.93%的准确率和96.10%的F1分数（F1-score）。在测试集上，模型达到了96.12%的准确率和92.28%的F1分数。整体分类性能达到了97.57%的准确率和95.31%的F1分数。全面的评估，包括类别性能分析、混淆矩阵和Grad-CAM（梯度加权类激活映射）可视化，证明了模型在九种视网膜疾病类别上具有强大的预测能力、鲁棒性和可解释性。
讨论：研究结果表明，RHT-Net是一种有前景且可扩展的早期视网膜疾病筛查方法。通过有效捕获局部和全局图像特征，该模型实现了高分类性能，同时提供了可解释的预测。这些特性支持其潜在整合到远程医疗和远程诊断工作流中。然而，在真实世界临床应用之前，还需要进一步的外部验证和面向部署的优化。
视网膜疾病（如糖尿病视网膜病变、青光眼等）是全球可预防性失明的主要原因，尤其在资源匮乏地区如孟加拉国，1.5%的成年人失明，21.6%视力受损，由于眼科医生和设备短缺，早期诊断和治疗严重不足。人工智能（AI）在医学影像分析中展现出潜力，但现有深度学习模型存在局限：纯卷积神经网络（CNN，一种擅长提取局部空间特征的网络结构）难以捕获全局上下文，而纯Transformer（基于自注意力机制的模型）计算开销大且需大量数据。此外，多数研究集中于西方人群的公共数据集，对低资源环境下的临床部署和模型可解释性关注不足。为此，研究人员提出了RHT-Net（视网膜混合Transformer网络，Retinal Hybrid Transformer Network），一种结合CNN和Transformer的混合架构，旨在利用增强眼底图像实现九种视网膜疾病的多类分类，并适用于孟加拉人群和低资源临床环境。该论文发表在《Frontiers in Physiology》。
研究人员开展了以下研究：基于收集自孟加拉国两家医院（Anawara Hamida Eye Hospital和B.N.S.B. Zahurul Haque Eye Hospital）的5,318张彩色眼底图像，经数据增强扩至21,272张，涵盖中心性浆液性脉络膜视网膜病变（CSCR）、糖尿病视网膜病变、视盘水肿、青光眼、健康、黄斑瘢痕、近视、视网膜脱离和视网膜色素变性九类。通过RHT-Net混合模型进行训练和测试，取得高准确率和F1分数，并通过Grad-CAM提供可解释性。结论表明，RHT-Net是一种有前景且可扩展的方法，可用于早期视网膜疾病筛查，尤其适合资源受限环境。该工作首次针对孟加拉族裔提供了大规模眼底数据集，展示了混合架构在复杂多分类任务中的优势，并支持远程医疗整合。
关键的技术方法概括（不超过250字）：技术方法上，研究人员构建了RHT-Net架构，包含四个残差CNN块（用于提取局部病变特征，如微动脉瘤、出血点）和三个Transformer编码器层（用于建模全局视网膜上下文关系）。数据集来源于孟加拉国两家医院的5,318张彩色眼底图像，涵盖九种疾病类别。预处理包括调整图像至224×224像素和采用对比度受限自适应直方图均衡化（CLAHE）增强局部对比度。数据增强通过旋转45度、水平翻转和添加高斯噪声将样本扩增至21,272张。训练使用Adam优化器、加权交叉熵与Focal Loss联合处理类别不平衡，并应用早停和分层80/20训练-测试分割。Grad-CAM用于模型决策可视化。
研究结果部分：
- 模型整体性能：通过训练和测试过程，RHT-Net在训练集达到97.93%准确率和96.10%F1分数，测试集达到96.12%准确率和92.28%F1分数，总体准确率97.57%和F1分数95.31%。这表明模型在分类九种视网膜疾病上具有高准确性和鲁棒性。
- 混淆矩阵分析：通过图5的训练、测试和总体混淆矩阵，显示模型在多数类别上对角元素值高（如测试集中CSCR正确分类1,168例、糖尿病视网膜病变1,036例），仅少数类别存在轻微混淆（如视盘水肿被误诊为青光眼5例）。这证明模型能有效区分大多数疾病，但视觉相似类别间仍有误判。
- 类别性能评估：通过表2的测试集类别指标，模型在CSCR、糖尿病视网膜病变、青光眼和视网膜色素变性上F1分数超过96%，AUC（曲线下面积）超过0.982，但在黄斑瘢痕F1为87.27%，健康类别F1为83.98%，这是由于与某些疾病视觉相似导致混淆。这揭示了模型在视觉相似类别上的局限，并提示未来需进一步数据增强或架构优化。
- 五折交叉验证：通过5-fold交叉验证（图6），模型平均准确率96.85%，标准差仅0.28%，说明模型对数据划分不敏感，泛化能力稳定。
- 消融研究：通过表4的消融实验，去除Transformer编码器导致准确率下降3.67%，去除CNN块下降5.34%，去除CLAHE预处理下降2.31%，去除数据增强下降4.45%，纯CNN下降2.88%，纯Transformer下降6.17%。这证实了混合架构及各组件对性能的重要贡献，尤其是CNN和Transformer协同作用不可或缺。
- 计算复杂度分析：通过表5的对比，RHT-Net参数25.5M，推理时间28ms/图像，低于ViT-B/16（45.2ms）且准确率更高（96.12% vs 89.95%），表明其在低资源场景下的计算效率优势。
总结讨论部分指出，RHT-Net能有效捕获局部和全局特征，提供可解释预测（通过Grad-CAM热图），展现出在远程医疗和低资源筛查中的潜力。然而，当前数据集仅限于孟加拉人群，外部验证和多中心研究是必要的。研究结论部分翻译如下：
“本文研究证明，视网膜混合Transformer网络（RHT-Net）是一种有效的混合深度学习模型，可利用增强的眼底图像对多种视网膜疾病进行分类。RHT-Net有助于解决关键诊断需求，特别是在孟加拉国等地区，其中1.5%的成年人失明，21.6%的成年人视力低下，原因在于无法接触到眼科医生。RHT-Net使用卷积神经网络（CNN）进行局部特征提取，并使用Transformer架构进行全局关系理解。模型使用包含21,272张图像的独特数据集进行训练和评估，该数据集从5,318张原始样本经多种增强（高斯噪声、水平翻转、45度旋转）得到，并调整为224×224像素，采用CLAHE预处理。实验得到训练准确率97.93%、测试准确率96.12%、总体准确率97.57%，相应的F1分数分别为96.10%、92.28%、95.31%。模型评估（包括混淆矩阵和Grad-CAM热图）表明模型能成功检测疾病特征（如糖尿病视网膜病变的微动脉瘤和视网膜脱离区域）。本工作的临床意义在于为农村和欠发达社区提供可扩展的自动化筛查和远程医疗解决方案，有望减少诊断延迟、改善早期治疗干预、减轻医疗系统负担。研究的局限性在于数据来自孟加拉族裔，难以推广到全人群。未来研究应通过更大规模的多中心、多族裔数据集进行外部验证，并采用联邦学习策略以提高泛化性并保护数据隐私。此外，面向部署的研究应评估模型大小、推理时间、硬件需求以及剪枝、量化或轻量化重设计等优化技术，以支持资源受限平台上的实时使用。因此，RHT-Net被视为向实用视网膜筛查和远程医疗支持迈出的有希望的一步，在常规临床部署之前仍需进一步验证和系统级优化。”
