《Frontiers in Artificial Intelligence》：A spatial adaptive multi-scale ConvNeXt framework for robust, calibrated, and statistically validated multi-class retinal OCT classification
编辑推荐：
准确从光学相干断层扫描（OCT）图像分类视网膜疾病对临床决策支持十分重要。然而，许多深度学习研究主要聚焦于提升准确率，常忽视真实世界变异下的校准与鲁棒性。研究人员提出一种增强的ConvNeXt-Tiny框架，引入空间自适应多尺度卷积（SAMC）模块用于视网膜O
准确从光学相干断层扫描（OCT）图像分类视网膜疾病对临床决策支持十分重要。然而，许多深度学习研究主要聚焦于提升准确率，常忽视真实世界变异下的校准与鲁棒性。研究人员提出一种增强的ConvNeXt-Tiny框架，引入空间自适应多尺度卷积（SAMC）模块用于视网膜OCT分类。SAMC并非新卷积操作，而是在ConvNeXt层级中以轻量级分阶段配置结合既有多尺度空洞卷积与特征融合原理，以细化不同空间尺度视网膜异常表征。模型在OCT-C8数据集（八类视网膜疾病）上测试准确率达98.39%，宏F1分数0.9839。研究人员通过期望校准误差（ECE）与Brier分数分析分类可靠性，采用温度缩放作为事后校准方法，并以蒙特卡洛丢弃（MC Dropout）估计随机推断下预测变异性。在噪声、模糊与光照变化下评估鲁棒性，性能下降极小。从参数量、浮点运算量与推理效率方面分析计算复杂度。使用McNemar检验确认统计显著性。Grad-CAM与LIME可解释性分析显示模型关注视网膜临床显著区域。综上，所提ConvNeXt-SAMC框架实现准确视网膜疾病分类，辅以校准、不确定性、鲁棒性、统计与可解释性分析，提供对模型行为的更广义评估。
研究背景与动机：视网膜疾病是全球不可逆视力损伤主因之一，年龄相关性黄斑变性（AMD）、糖尿病视网膜病变（DR）、脉络膜新生血管（CNV）、玻璃膜疣（drusen）、中心性浆液性视网膜病变（CSR）、糖尿病性黄斑水肿（DME）、黄斑裂孔（MH）及正常视网膜变异在OCT图像中呈现细微结构差异。OCT提供视网膜解剖横断面细节，但人工判读存在观察者间变异。现有深度学习分类器（如ResNet、EfficientNet、DenseNet、ConvNeXt）多依赖固定感受野，难以同时刻画局部沉积与广泛结构破坏；且既往研究偏重准确率，对预测校准、不确定性、抗扰动鲁棒性、统计显著性及可解释性集成验证不足。该研究发表于《Frontiers in Artificial Intelligence》，旨在构建兼顾精度与临床可靠性的多类视网膜OCT分类框架。
主要关键技术方法：研究人员采用公开OCT-C8数据集（训练18400张、验证2800张、测试2800张，八类各3000张，图像级划分无患者级去重验证），预处理统一缩至224×224并以ImageNet统计量归一化，训练期施以水平翻转、亮度对比度抖动、仿射、网格与弹性形变、高斯模糊及粗丢弃增强。基线为ImageNet-22K预训练ConvNeXt-Tiny（四阶段通道96/192/384/768，深度3/3/9/3），在其每阶段输出后嵌入SAMC模块：并行3×3深度可分离卷积（dilation d∈{1,2,3}，等效感受野3/5/7），通道拼接后经1×1逐点卷积融合、批归一化与GELU激活。训练用AdamW（学习率1×10?4、权重衰减1×10?5）、余弦退火、标签平滑交叉熵、混合精度、批量32、80轮。可靠性评估含ECE、Brier分数与温度缩放；不确定性用MC Dropout（推断期保留丢弃）；鲁棒性测试覆盖高斯噪声、运动模糊、亮度偏移；统计对比用McNemar检验；可解释性用Grad-CAM与LIME。
研究结果：
3.1 数据集描述：OCT-C8八类均衡分布，研究人员沿用官方图像级划分，因缺患者标识无法做受试者级隔离，但经MD5哈希比对Kermany OCT2017 V2确认无跨集精确重复，排除数据泄漏。
3.4 基线ConvNeXt架构：ConvNeXt-Tiny保留7×7深度卷积、LayerNorm、倒残差与GELU，约2800万参数，作为效率与容量折中基线。
3.5 提出的空间自适应多尺度卷积模块：SAMC以深度可分离空洞卷积提取多尺度空间上下文，逐阶段（非单层静态ASPP或FPN式融合）精炼层级特征，仅增轻量参数。与ASPP（单分辨率并行空洞池化）和FPN（跨层自上而下融合）对比，SAMC优势在阶段递进式上下文细化且不与ConvNeXt分层设计冲突。
3.6 提出的ConvNeXt–SAMC架构：四阶段ConvNeXt块后各接SAMC再下采样，末段全局平均池化+全连接出八类。整体维持卷积归纳偏置与参量可控。
3.7 训练策略：迁移ImageNet-22K权重，AdamW+余弦退火+标签平滑，混合精度于Tesla T4训练，按验证准确率选优。
3.8 性能评价指标与可靠性分析：测试准确率98.39%、宏F1 0.9839；ECE与Brier分数经温度缩放降低，MC Dropout输出熵可区分高/低置信样本；噪声/模糊/光照扰动下准确率跌幅极小；McNemar检验显示相对基线ConvNeXt-Tiny提升显著（p<0.05）；Grad-CAM与LIME热区重叠视网膜层状病理带（如视网膜色素上皮、椭圆体带），证实关注临床相关区。
讨论与结论翻译：研究人员指出，当前视网膜OCT分类研究虽在准确率上饱和，却常忽略临床部署所需的校准、不确定性、鲁棒性与统计验证。所提ConvNeXt-SAMC通过分阶段轻量SAMC细化多尺度空间表征，在OCT-C8达98.39%准确率与0.9839宏F1，配合温度缩放校准、MC Dropout不确定性、受控扰动鲁棒性测试、McNemar显著性与Grad-CAM/LIME可解释性，构成超出常规分类指标的广义评估。结论为：该框架在保持ConvNeXt效率的同时提升多尺度病理辨别力，其校准可靠、扰动稳健、统计显著且注意力符合临床解剖，具备真实世界临床决策支持潜力。
