编辑推荐：
糖尿病视网膜病变（Diabetic Retinopathy，DR）分级要求在显著的采集变异性和跨数据集分布偏移下实现可靠的五级严重程度评估。研究人员提出PRISM-DR，一种在梯度划分策略下训练的多目标五级DR分级框架。该架构组织为一个前馈流水线：数据驱动的预
糖尿病视网膜病变（Diabetic Retinopathy，DR）分级要求在显著的采集变异性和跨数据集分布偏移下实现可靠的五级严重程度评估。研究人员提出PRISM-DR，一种在梯度划分策略下训练的多目标五级DR分级框架。该架构组织为一个前馈流水线：数据驱动的预处理阶段，随后是ConvNeXtV2-Base骨干网络、用于多尺度特征融合的Recurrent BiFPN颈部、频率感知融合（Frequency-Aware Fusion，FAF）模块、轻量级多尺度推理Transformer、具有梯度隔离路径（分类和序数）的双分类头，以及用于嵌入正则化的原型记忆模块。CORAL序数头通过专用的投影层运行并与骨干网络梯度隔离；骨干网络由交叉熵、原型对比和视图一致性目标塑造，这些目标通过严重程度加权类别惩罚和等级索引聚类正则化传递间接的序数信号。该模型在多裁剪设置下训练，采用为严重不平衡DR数据集设计的阶段性损失课程。在固定源多目标（Fixed-Source, Multi-Target，FSMT）协议下的六个数据集上评估，在EyePACS + DDR上训练的PRISM-DR在IDRiD上达到QWK（Quadratic Weighted Kappa）0.835，在APTOS2019上0.865，在Messidor-2上0.720，域内EyePACS上QWK = 0.920且AUC-PR = 0.941，在所有评估数据集上的AUC-PR优于RETFound、RETFound-Green和MedGemma-4B。针对755张专家标注病变图像的定量可解释性评估产生8.0×能量比富集（Energy Ratio Enrichment）和病灶区域内4.4×的FAF门保留比，证实仅从等级水平监督中涌现出解剖学上合理的空间先验，无需像素级标注。PRISM-DR为可扩展的自动化DR筛查建立了优越的准确性–鲁棒性–容量权衡。
该研究发表于《Sensors》，围绕糖尿病视网膜病变（Diabetic Retinopathy，DR）自动化五级严重程度分级中的多尺度病变建模、序数校准预测及跨域鲁棒性等核心问题展开。目前DR是全球工作年龄成人可预防性视力丧失的首要原因，临床依赖国际临床糖尿病视网膜病变（International Clinical Diabetic Retinopathy，ICDR）五级有序量表分级，但人工分级受观察者间与观察者内变异性影响，且深层神经网络在五级DR分级中面临三大挑战：微小稀疏病变的多尺度证据整合困难、ICDR有序量表的平坦多类目标失准、眼底图像设备相关的域变异导致跨域性能退化。现有方法或忽略序数结构，或抑制高频病变线索，或难以兼顾类不平衡与细粒度分级，因此亟需构建兼顾准确性、鲁棒性与可解释性的自动化分级框架。研究人员提出PRISM-DR（Prototype-Regularized, Instance-Selective Multi-crop Diabetic Retinopathy Grading）多目标框架，在EyePACS+DDR训练下FSMT协议跨数据集QWK与AUC-PR均优于RETFound、RETFound-Green及MedGemma-4B，且无需像素级标注即涌现解剖学合理的空间注意力，确立了自动化DR筛查的准确性–鲁棒性–容量优越权衡，为初级保健集成自动化工具以实现早干预防盲提供技术支撑。
作者采用的关键技术方法包括：以EyePACS、DDR、APTOS2019、IDRiD、Messidor-2、mBRSET为样本队列，构建含数据驱动预处理、ConvNeXtV2-Base骨干、Recurrent BiFPN颈部、频率感知融合（Frequency-Aware Fusion，FAF）模块、多尺度CLS推理器（Multi-Scale CLS Reasoner）、梯度隔离双分类头（Softmax交叉熵与CORAL序数头）及原型记忆模块（Prototype Memory Module）的前馈流水线；预处理集成Ben Graham变换与可学习风格适配器（Learned Style Adapter，LSA），训练采用多裁剪设置与四阶段损失课程（交叉熵、CORAL序数损失、原型对比损失、深度辅助损失、视图一致性Jensen–Shannon散度），序数信号通过严重程度加权交叉熵与原型聚类间接传递至骨干；评估采用固定源多目标（Fixed-Source, Multi-Target，FSMT）协议，指标含二次加权Kappa（Quadratic Weighted Kappa，QWK）、宏F1、宏ROC-AUC、宏PR-AUC，可解释性以DDR 755张专家标注病变边界框通过Pointing Game、能量比富集（Energy Ratio Enrichment）、FAF门保留比等量化验证。
研究结果如下：
In-Domain Performance and Cross-Domain Robustness
研究人员在APTOS2019单源FSMT-1与EyePACS+DDR双源FSMT-2下评估，FSMT-1中QWK为0.4243至0.7767、宏F1为0.2899至0.3887，显现明显跨域退化；FSMT-2中IDRiD达QWK 0.8353、APTOS2019 0.8652、Messidor-2 0.7204、mBRSET 0.6934，域内EyePACS QWK 0.920、AUC-PR 0.941，表明训练域广度是跨域鲁棒性的关键决定因素，双源训练显著提升外部靶数据集的序数一致性与精度–召回表现。
Ordinal Consistency vs. Class-Imbalance Sensitivity
研究发现QWK与宏F1存在分化，FSMT-1中IDRiD QWK较高但宏F1较低、EyePACS同理，说明错误多集中于相邻等级而非远距离错分，符合临床可接受的有序近错特性；但筛查中非转诊与需转诊阈值决策仍受相邻错分影响，AUC-PR在FSMT-2中IDRiD 0.6931、APTOS2019 0.7392、Messidor-2 0.6991、mBRSET 0.8341，显示双源训练同时改善序数一致性与类不平衡下的决策中心鲁棒性。
Comparison with Foundation Baselines and Capacity–Robustness Trade-Offs
与RETFound、RETFound-Green、MedGemma-4B对比，FSMT-2下PRISM-DR所有数据集QWK与AUC-PR均优于RETFound与RETFound-Green；较MedGemma-4B在IDRiD、APTOS2019、DDR、EyePACS QWK更高，Messidor-2与mBRSET QWK略低，但全数据集AUC-PR均高于MedGemma-4B，表明PRISM-DR在决策中心筛查指标上具更优的鲁棒性–容量权衡，MedGemma-4B以更大容量获更强序数稳定性。
Interpretability Analysis
定性多尺度GradCAM面网格显示，APTOS2019与IDRiD上注意力随ICDR等级从弥散背景转为黄斑区、血管分支及视盘邻近病灶聚焦区，跨域仍保持等级进展趋势但IDRiD intra-grade异质性更高，显现置信度分层效应；定量以DDR 755图专家标注边界框验证，后FAF P3 GradCAM能量比富集达8.04×（出血9.69×、软渗8.0×、硬渗7.4×、微动脉瘤3.67×），严格Pointing Game为随机基线10.3×，15像素容忍度下达0.616，FAF门病灶区内保留比为区外4.42×（微动脉瘤2.82×、出血4.70×、硬渗4.21×、合计5.09×），证实无像素级标注时等级监督即可涌现解剖学合理空间先验与高频病变保留机制。
讨论部分总结指出，PRISM-DR在匹配源域下学习到临床有意义的病变证据并保留DR有序结构，窄源训练跨域退化显著，双源EyePACS+DDR训练大幅提升外部靶域序数一致性与精度–召回表现；单一指标无法完全捕获筛查可靠性，需联合QWK、宏F1、AUC-PR评估；局限含CORAL头梯度隔离致序数阈值损失不直接更新骨干、部分外部靶域如mBRSET与IDRiD仍存性能缺口、FSMT协议未穷尽所有训练–靶配对、DDR标注为边界框非像素级分割、Recurrent BiFPN循环数T=3未做系统消融、512×512输入下单微动脉瘤低于空间分辨限致模型响应为血管邻域纹理而非亚像素定位；结论部分翻译为：本工作提出PRISM-DR，一种集成多尺度病变建模、序数校准预测与域鲁棒表示学习的五级糖尿病视网膜病变分级多目标框架，在共享推理架构内兼顾局部视网膜病变与更广上下文模式并保留DR严重程度有序结构；PRISM-DR取得强域内性能，且在更广泛EyePACS+DDR队列训练时良好泛化至外部数据集，表明跨数据集鲁棒性不仅依赖架构，也取决于训练数据多样性与异质性；在相同评估协议下较RETFound、RETFound-Green与MedGemma-4B提供更优鲁棒性–容量权衡，全数据集AUC-PR高于MedGemma-4B且在EyePACS与DDR大幅领先；定性GradCAM分析进一步显示PRISM-DR仅从等级标签学习到临床有意义的注意力模式，激活从正常图像弥散响应进展为更高级DR等级下聚焦病变相关区域，可解释性评估通过DDR 755专家标注图的两种互补证据证实所学表示临床连贯性；结果表明多尺度BiFPN–FAF流水线将病变相关空间结构编码为等级水平监督单独涌现的结果。
