基于卷积神经网络迁移学习的眼弓形虫病多分类

《Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization》：Multiclass classification of ocular toxoplasmosis through transfer learning with convolutional neural networks

　　

眼弓形虫病（Ocular Toxoplasmosis, OT）是由寄生虫刚地弓形虫（Toxoplasma gondii）引起的感染，可导致严重的眼部损害和视力丧失。准确诊断OT对于有效治疗至关重要；然而，由于其临床表现多样，诊断仍具有挑战性。研究人员提出了一种基于深度学习（Deep Learning, DL）和迁移学习（Transfer Learning, TL）的方法，利用眼底图像改进OT诊断。评估了五种预训练模型：DenseNet201、ResNet18、VGG16、MobileNetV2和InceptionV3。共使用412幅眼底图像，标记为健康或存在活动性/非活动性OT病变。应用了数据增强、基于Optuna的超参数优化和交叉验证。DenseNet201取得了最佳总体性能，召回率为95.09%，特异度为97.39%。其余模型在特异度方面也取得了强劲结果。总体而言，卷积神经网络中的迁移学习结合超参数优化被证明对OT图像分类非常有效。

眼弓形虫病（Ocular Toxoplasmosis, OT）是由刚地弓形虫（Toxoplasma gondii）引起的感染性疾病，可侵犯视网膜和脉络膜，严重时可导致视力丧失，在拉丁美洲和非洲国家尤为流行。OT的临床诊断常依据典型眼底病变特征，但因其临床表现多样，且现有诊断流程复杂、成本高、依赖经验丰富的专业人员，易发生误诊或漏诊；聚合酶链反应（Polymerase Chain Reaction, PCR）虽可用于检测眼内液中的寄生虫DNA，但也存在假阳性或假阴性风险。因此，亟需开发更有效且可及的方法辅助OT的早期准确诊断。近年来，深度学习（Deep Learning, DL）和卷积神经网络（Convolutional Neural Network, CNN）已在多种视网膜疾病的自动诊断中展现出优越性能，但在OT领域，已有研究多局限于二分类或分割任务，缺乏对多分类和统一评估框架的探讨。为填补这一临床空白，研究人员提出了基于迁移学习（Transfer Learning, TL）的多分类OT自动诊断方法，并系统评估了五种预训练CNN模型在统一实验方案下的表现。该研究发表于《Computer Methods in Biomechanics and Biomedical Engineering: Imaging》。

研究人员使用了来自巴拉圭两家医疗中心（Hospital de Clínicas和Hospital General Pediátrico Acosta ?u）公开数据集中的412幅眼底图像，分为健康、活动性病变和非活动性病变三类。所有图像预处理为512×512像素，并采用ImageNet统计量归一化。训练中采用在线数据增强，包括水平/垂直翻转、旋转（±21°）、缩放（±35%）、光照变化和缩放变换，每次变换应用概率为65%。使用基于ImageNet预训练的DenseNet201、ResNet18、VGG16、MobileNetV2和InceptionV3五个模型，结合Optuna（基于树结构Parzen估计器，Tree-structured Parzen Estimator, TPE）进行超参数优化，并采用10折分层交叉验证和类别加权交叉熵损失以缓解数据不平衡。

研究结果方面，4.1“分类器评估算法”：研究人员设计了统一的评估算法，通过10折分层交叉验证计算准确率、灵敏度（召回率）、特异度和F₁分数，并比较仅优化单个超参数（优化器）与同时优化多个超参数两种场景。4.2“第一种场景的结果”：在仅使用Optuna优化优化器、其余超参数保持默认的情况下，DenseNet201表现最佳，准确率94.63%、灵敏度95.09%、特异度97.39%、F₁分数94.32%；MobileNetV2其次。4.3“第二种场景的结果”：当同时优化批量大小、学习率、优化器、图像尺寸、旋转和翻转等多个超参数时，DenseNet201仍为最优，准确率93.18%、灵敏度93.51%、特异度96.59%、F₁分数92.69%；但总体性能略低于第一种场景，说明在有限数据下优化单个关键超参数可能更稳定。4.4“各类别模型性能”：对各类别的分析显示，DenseNet201在健康类上达到最优指标，对非活动性病变识别良好，但活动性病变的灵敏度在不同场景下有所波动（如场景1为0.8889，场景2为0.6667）；MobileNetV2和ResNet18在部分类别上也表现良好，而VGG16和InceptionV3对活动性病变的区分能力相对较弱。

讨论部分指出，DenseNet201凭借密集连接改善信息流与梯度传播、有效重用特征，最适合OT图像分类；MobileNetV2作为轻量模型在资源受限场景有优势，但诊断准确性优先于推理速度。训练与验证损失曲线显示存在一定过拟合和高方差，可能源于数据集规模有限。混淆矩阵进一步证实DenseNet201分类错误较少，而VGG16在活动性与非活动性病变间混淆较多。研究还指出数据集的局限性：图像由一名眼科医生标注，注释可能带有主观性；数据集未提供患者标识符，因此无法进行严格的患者层面划分，图像层面交叉验证可能造成信息泄漏。

研究结论部分可翻译为：本研究提出了一种基于迁移学习的深度学习方法来对受眼弓形虫病影响的眼底图像进行多分类。结果表明，所提出的方法有效优化了诊断性能，DenseNet201达到了最高灵敏度（95.09%）和特异度（97.39%），从而验证了该方法的有效性。评估的五个预训练架构中，DenseNet201总体性能最佳，其余模型也达到了较强结果，尤其在特异度方面。定量指标显示DenseNet201的准确率（94.63%）、灵敏度（95.09%）、特异度（97.39%）和F₁分数（94.32%）均为最高，其次为MobileNetV2和InceptionV3。与既往研究相比，本研究的性能（尤其是DenseNet201）超过了此前报道的86.7%~93.4%的准确率范围，验证了该研究的贡献和方法学改进。未来工作包括扩展数据集、整合多模态数据、应用于其他眼部疾病、在真实临床环境中评估以及探索基于Transformer的架构。