《Scientific African》：An efficient glaucoma diagnosis with explainable AI using ResNet152 and Swin Transformer attention-based fusion
编辑推荐：
青光眼以视神经退行性变和眼内压升高为特征，可能导致不可逆性失明。早期检测可预防该疾病的严重影响。由于早期青光眼无症状，早期检测对于避免视力丧失至关重要。已有计算机辅助诊断系统利用深度学习和机器学习实现高精度的青光眼早期检测。本文提出了一种用于青光眼疾病诊断与分
青光眼以视神经退行性变和眼内压升高为特征，可能导致不可逆性失明。早期检测可预防该疾病的严重影响。由于早期青光眼无症状，早期检测对于避免视力丧失至关重要。已有计算机辅助诊断系统利用深度学习和机器学习实现高精度的青光眼早期检测。本文提出了一种用于青光眼疾病诊断与分类的高效系统。该工作包含四个阶段：第一，采用伽马校正增强图像对比度作为预处理步骤；第二，通过ResNet152提取局部特征，通过Swin Transformer提取全局特征；第三，采用基于注意力的特征融合以增强特征表示；第四，使用装袋分类器实施诊断阶段，以提高泛化能力并减少过拟合，从而实现更稳定的预测。该系统在七个公开数据集上进行了评估，同时采用二分类（正常与青光眼）和多分类（正常、早期和晚期青光眼）任务。二分类在ACRIMA、LAG、Drishti-GS1、RIME-ONE、ORIGA和sjchoi86-HRF数据集上进行，准确率分别为99%、9%、93%、92%、84%和90%。多分类在HVD数据集上进行，所提系统达到90%的准确率。为确保决策的透明性和可靠性，采用可解释人工智能（XAI）技术提供特征重要性和模型预测的见解。实验结果表明，该策略具有较高的分类性能，表明其有助于眼科医生进行可解释且可信赖的青光眼诊断。
青光眼是一种主要因房水压力引起的眼病，可导致视神经损伤，而视神经是视觉系统中负责将视网膜信息传递至大脑的关键结构。青光眼位居全球致盲原因前列，常因症状出现较晚而难以诊断，并且由于视网膜神经元丢失不可逆，治疗仍具挑战。多数患者在早期无显著体征，因此青光眼也被称为“视力的无声窃贼”。青光眼是继白内障之后第二位常见的永久性致盲原因。青光眼有多种类型，其中原发性闭角型青光眼（ACG）和原发性开角型青光眼（POAG）是最常见的两种。其他类型包括糖皮质激素性、慢性、继发性、色素性、急性、正常眼压性、房角后退性、先天性、剥脱性及新生血管性青光眼。
尽管青光眼通常以眼压升高为分类依据，但眼压正常的个体也可能患病。构成视盘（OD）的神经节细胞轴突从眼视神经头离开。在眼底图像中，视盘呈现两个不同区域：中心明亮的视杯（OC）和周围的神经视网膜边缘。相对于视盘异常增大的视杯可提示青光眼。除高眼压这一主要危险因素外，其他因素也会增加患病风险，包括非洲、美国或拉丁裔血统、角膜较薄、年龄较大、患有高血压和糖尿病、青光眼家族史、心血管疾病、近视、类固醇使用、既往眼外伤、血压异常及严重贫血史。
目前用于青光眼诊断的方法包括视野（VF）测试、光学相干断层扫描（OCT）和眼压测量。然而，由于缺乏一致、可量化的临床标准，青光眼专家在达成共识方面仍面临挑战。青光眼尚无充分治愈方法，因此早期检测对预防视力丧失至关重要。手动检查成本高且易出错，已有研究致力于开发自动化早期青光眼检测技术。近年来机器学习（ML）的进展显著推动了智能系统的发展，使其能够从数据中学习复杂模式并支持自动化决策。人工智能（AI）已广泛应用于各领域，尤其是疾病诊断。在眼科学中，基于AI的青光眼检测系统展现出更早、更准确诊断的潜力。
本研究的动机可概括为：青光眼是不可逆性失明的主要原因，且常无症状直至严重阶段；早期精确分类对于及时干预和有效治疗至关重要；传统诊断方法主观性强、耗时且依赖专家解释；开发自动化、准确且高效的青光眼检测与分类系统（尤其是基于机器学习或深度学习的方法）可极大辅助临床医生、提高诊断一致性并增加资源有限地区的可及性。
本文的贡献如下：使用七个公开青光眼数据集（ACRIMA、RIME-ONE、ORIGA、HVD、sjchoi86 HRF、Drishti-GS1和LAG）实现泛化原则，确保稳健且多样的评估；采用伽马校正改善图像质量并增强特征表示；混合特征提取结合Swin Transformer和ResNet152两个强大的深度学习模型，同时利用全局和局部图像表示；采用基于注意力的特征融合技术整合Swin和ResNet152特征，增强青光眼检测的判别能力；设计分类模型处理二分类（正常和青光眼）和多分类（正常、早期和晚期青光眼），使用带多项式核的装袋分类器提高分类性能和泛化能力；基于梯度加权类激活映射（Grad-CAM）的可解释人工智能（XAI）突出驱动分类器预测的眼底图像区域。
所提框架的主要新颖之处在于将多个互补组件统一集成，而现有青光眼检测研究通常不将这些组件结合。不同于多数仅依赖卷积神经网络或视觉Transformer架构的方法，所提方法联合利用ResNet152提取细粒度局部表示，并利用Swin Transformer捕获长距离全局依赖。替代简单特征拼接，引入基于注意力的融合模块自适应学习各特征分支最具判别性的贡献。此外，采用基于装袋的集成分类器增强模型稳定性并减少过拟合，这是医学图像分析中的常见局限。在预处理层面，应用伽马校正增强视网膜图像对比度并改善相关解剖结构的可见性，该步骤在近期研究中常被忽视。最后，集成基于Grad-CAM的可解释AI以提高可解释性并支持临床决策。总体而言，所提框架相比现有青光眼检测方法提供了更稳健、可泛化且可解释的方案。
相关工作部分概述了相关研究。青光眼自动诊断研究可分为三类：第一类基于分割结果计算临床指标，如下-上-鼻-颞（ISNT）规则和杯盘比（CDR）；第二类无需分割，直接提取特征，但主要依赖手工特征，可能影响性能且仅使用图像局部信息；第三类利用深度学习架构生成特征图。多数文献聚焦于眼底图像的视神经头定性评估。例如，Wong等人使用水平集方法确定CDR，在104张图像上验证；Yin等人提出基于知识的圆形霍夫变换进行视盘视杯分割，在ORIGA数据集上平均Dice相似系数（DSC）分别为92%和81%；Cheng等人利用简单线性迭代聚类（SLIC）算法测量CDR，在两个数据集上获得80%和82.2%的AUC；Diaz等人基于LUV颜色空间进行分割，在53张图像上获得81%和87%的特异性和敏感性。这些依赖手工特征的方法存在较大变异性，因此近期算法转向使用深度学习模型自动提取特征。Fu等人开发M-Net和DENet，在SCES和新数据集上AUC分别为91.83%和81.73%；Juneja等人提出G-Net，在DRISHTI-GS数据集上OD和OC分割准确率分别为95.8%和93.0%；Diaz-Pinto等人使用五种CNN模型，XceptionNet在多个数据集上准确率最高达75.25%；Gómez-Valverde等人评估五种CNN，VGG19在RIM-ONE上达到87%敏感性、89%特异性和94% AUC；Asaoka等人基于ResNet的预训练模型在MRCH数据集上AUC达94.8%；Raja等人使用OCT图像计算CDR，准确率94%；Saxena等人使用六层深度模型在SCES和ORIGA上AUC为88.2%和82.2%；Carvalho等人提出3D-CNN，在RIM-ONE和Drishti-GS上准确率83.23%；Elangovan和Nath使用18层CNN在多个数据集上准确率从78.32%到96.64%；Akbar等人提出DenseNet-DarkNet融合，在HRF、RIM1和ACRIMA上准确率99.7%、89.3%和99%；Kashyap等人使用U-Net与DenseNet-201，准确率96.90%；Sonti和Dhuli提出KR-NET，在RIM-ONE、Drishti-GS1和ACRIMA上准确率90.51%、90.32%和96.70%；Shyamalee等人使用U-Net与Inception V3，在多个数据集上准确率从80.95%到97.24%；Khajeha等人使用CNN与多注意力选择（MAS）模块，ACRIMA准确率97.18%。此外，还有视网膜病变分割研究，如Kar等人提出小波引导GAN用于渗出物分割，以及多通道GAN用于血管和视盘分割。近期混合CNN-Transformer架构被用于青光眼检测，如Gader等人提出CNN-Swin Transformer模型，准确率98%；Velpula等人使用ResNet50与SVM，ACRIMA准确率98.03%；Velpula等人提出注意力增强CNN，Drishti-GS1和ACRIMA准确率90.32%和96.45%。既往研究存在以下不足：数据集多样性有限、缺乏有效预处理、特征融合策略欠佳、集中于二分类、分类器性能受限。本文针对这些不足提出改进。
所提框架包含四个阶段：数据获取、预处理、特征提取、融合和分类。使用七个公开数据集，包括二分类数据集（ACRIMA、ORIGA、Drishti-GS1、RIME-ONE、LAG、sjchoi86 HRF）和三分类数据集（HVD）。图像预处理包括调整大小为224×224、数据增强（随机旋转、缩放、翻转）以应对不平衡问题，以及伽马校正增强对比度。特征提取使用ResNet152提取局部特征，Swin Transformer提取全局特征。特征融合采用注意力特征融合（AFF）模块，该模块包含局部和全局注意力分支，通过sigmoid生成权重自适应平衡两种特征。分类阶段使用基于SVM（多项式核，次数4，正则化参数C=1）的装袋集成分类器，包含10个估计器，通过多数投票决定最终类别。实验在CPU环境下使用Python实现。
实验结果显示，所提框架在七个数据集上均取得高性能。二分类准确率分别为：ACRIMA 99%、LAG 97%、Drishti-GS1 93%、RIME-ONE 92%、sjchoi86-HRF 90%、ORIGA 84%。三分类HVD准确率90%。跨数据集评估中，训练和测试在同一分布时准确率94%，而在完全未见的数据集上准确率降至68%-75%，表明存在域偏移但框架仍保持合理泛化。Bootstrap统计验证了稳定性。消融研究表明，每个模块对整体性能均有贡献。与现有技术相比，所提方法在多个数据集上优于先前研究。
讨论部分首先比较预处理技术，伽马校正优于CLAHE和无预处理。在Transformer架构比较中，Swin Transformer优于DeiT。融合特征后使用不同机器学习分类器，装袋分类器性能最佳。特征融合技术比较中，注意力特征融合（AFF）优于拼接、求和和平均。Grad-CAM可视化显示模型聚焦于视盘和视杯区域，与临床知识一致。AUC值在0.83至0.99之间，Cohen's Kappa在0.67至0.97之间，表明判别能力强且预测与真实标签高度一致。计算复杂度分析显示，特征提取离线进行，推理时间短。局限性包括跨数据集性能下降和缺乏外部大规模临床验证。
结论部分总结：本文提出一种高效青光眼检测与分类模型，使用数据增强和伽马校正预处理，混合深度学习模型提取特征，注意机制融合，并使用多种分类器。使用ResNet152与Swin Transformer融合特征，基于多项式核SVM的装袋分类器在七个数据集上取得高准确率：ACRIMA 99%、HVD 90%、ORIGA 84%、LAG 97%、Drishti-GS1 93%、RIME-ONE 92%、sjchoi86 HRF 90%。Grad-CAM作为XAI技术提供视觉解释，突出判别区域。未来工作包括去除眼底图像中的血管以减少噪声，以及探索更精细的XAI技术。论文发表于《Scientific African》。
