《Sustainability》：A Cost–Power-Effectiveness Factor for Simplified Economic Evaluation of Photovoltaic Enhancement Technologies
编辑推荐：
专业摘要翻译
背景/目标：心血管疾病（Cardiovascular Diseases, CVDs）仍是全球最主要的死亡原因，因此早期识别心血管高风险个体对于预防重大不良心血管事件（Major Adverse Cardiac Events, MACE）至关重要。
专业摘要翻译
背景/目标：心血管疾病（Cardiovascular Diseases, CVDs）仍是全球最主要的死亡原因，因此早期识别心血管高风险个体对于预防重大不良心血管事件（Major Adverse Cardiac Events, MACE）至关重要。视网膜眼底照片为全身血管健康提供了一种非侵入性观察窗口，因为视网膜微血管和视盘特征已被证实与心血管异常相关。本研究旨在开发一种增强型ConvNeXt深度学习框架，命名为CSP-ConvNeXt，用于从视网膜眼底图像中自动预测CVD相关风险类别，包括轻度（Mild）、中度（Moderate）、重度（Severe）和增殖性糖尿病视网膜病变（Proliferative Diabetic Retinopathy, DR），以及高血压性视网膜病变（Hypertensive Retinopathy, HR）。方法：所提出的CSP-ConvNeXt框架集成了分层卷积骨干网络、跨阶段部分（Cross Stage Partial, CSP）通道划分和大核深度可分离卷积，以同时捕获与心血管风险相关的精细视网膜微血管特征和更广泛的解剖结构。引入高效压缩-激励（Efficient Squeeze-and-Excitation, ESE）注意力机制，以增强临床相关血管区域的表征，同时降低无关背景信息的影响。采用稳健的数据增强和预处理流程，以提高模型在不同视网膜成像条件下的泛化能力。使用两个基准视网膜数据集，即Mendeley视网膜眼底图像数据集和APTOS 2019数据集，进行模型训练与评估。结果：CSP-ConvNeXt框架实现了87%的总体分类准确率，显示出对所考虑的CVD相关视网膜风险类别的有效区分能力。该模型获得了较高的精确率和召回率，表明在所评估类别中具有一致的分类性能。统计分析显示显著的组间区分度（p值<1×10?1?），支持了所学习视网膜表征的判别能力。结论：结果表明，结合CSP特征提取、ESE注意力、大核深度可分离卷积和分层表示学习的CSP-ConvNeXt框架，能够有效捕获与心血管风险相关的视网膜血管和解剖模式。研究结果凸显了基于先进ConvNeXt架构的模型在利用视网膜眼底照片进行自动化、非侵入性CVD风险筛查方面的潜力。该方法可为早期心血管风险评估提供有价值的辅助工具，尤其是在传统心血管筛查可及性较低的场景中。
论文解读文章
一、研究背景与现存问题
心血管疾病（Cardiovascular Diseases, CVDs）在全球范围内保持着首要死因的地位，每年约导致1790万人死亡，其中超过80%的死亡归因于心脏病发作和卒中，且近三分之一的死亡发生在70岁以下的个体中。不健康的生活方式、高血压、糖尿病、血脂异常等因素是CVD的重要危险因素。因此，早期识别高风险个体对降低死亡率、改善临床结局至关重要。然而，传统的心血管风险评估方法往往依赖有创检查、生化检验和专科诊断设备，在资源有限的医疗环境中难以大规模实施。视网膜眼底成像作为一种无创、低成本且易于获取的技术，近年来受到广泛关注。视网膜微血管在解剖和生理上与冠状动脉和脑血管循环系统具有相似性，其血管变化常反映与高血压、糖尿病和心血管疾病相关的全身性血管异常，为心血管健康提供独特的观察窗口。尽管深度学习（Deep Learning, DL）方法已在该领域展现出显著潜力，但现有模型仍存在局限性：多数CNN架构侧重于局部图像特征，难以捕捉视网膜图像中的长距离空间依赖关系；对局部血管结构与全局视网膜特征的表征不充分；解剖先验信息整合不足；在不同数据集和成像环境中的泛化能力有限；多类别心血管风险预测性能欠佳。这些不足促使研究人员探索更加稳健且具备临床可解释性的框架。
二、研究内容与核心结论
针对上述挑战，研究人员开发了跨阶段部分ConvNeXt（Cross-Stage Partial ConvNeXt, CSP-ConvNeXt）架构，用于从视网膜眼底图像中自动预测CVD相关风险类别，涵盖轻度、中度、重度和增殖性糖尿病视网膜病变（Diabetic Retinopathy, DR）以及高血压性视网膜病变（HR）。该框架将CSP连接、ConvNeXt卷积模块与解剖感知注意力机制相结合，旨在同时捕获精细血管特征、高分辨率视网膜纹理、视盘信息及全局视网膜空间关系。研究人员使用Mendeley视网膜眼底图像数据集和APTOS 2019数据集进行模型训练与评估，结果显示该模型总体分类准确率达到87%，精确率、召回率和F1分数均维持在0.87水平，统计检验显示显著的组间区分度（p值<1×10?1?），有力支持了模型学习到的视网膜表征的判别能力。该研究表明，基于ConvNeXt的先进架构能够有效捕获与心血管风险相关的视网膜模式，为自动化、非侵入性CVD风险筛查提供了可行的技术方案，尤其适用于传统筛查手段覆盖不足的场景。
三、关键技术与方法概述
研究人员所采用的主要技术包括：（1）CSP-ConvNeXt骨干网络，其结合了CSP网络的通道划分机制与ConvNeXt的大核深度可分离卷积（7×7），在降低计算冗余的同时增强多尺度特征提取能力；（2）高效压缩-激励（Efficient Squeeze-and-Excitation, ESE）注意力模块，通过全局平均池化和轻量级全连接变换进行通道自适应重校准，增强临床相关血管区域响应并抑制背景噪声；（3）数据预处理与增强流程，包括环形裁剪、光照校正（CLAHE或颜色恒常性）、图像缩放至512×512、血管增强（Frangi滤波）、强度归一化，以及随机翻转、旋转、颜色抖动、随机裁剪、MixUp/CutMix等增强策略；（4）多任务学习头，用于年龄、收缩压回归，吸烟状态二分类及MACE风险预测。在样本队列方面，研究使用的两个公开基准数据集分别来源于Mendeley Data（数据集1）和APTOS 2019眼底图像数据集（数据集2），涵盖从轻度DR到增殖性DR及HR的多个CVD相关视网膜病变类别。此外，辅助血管分割分支利用DRIVE、STARE、CHASE-DB1数据集的血管标签进行联合监督训练，以增强模型的解剖感知能力。模型使用AdamW优化器，采用余弦退火学习率调度，训练过程中应用类别权重以缓解类别不平衡问题。消融研究通过控制变量法验证了混合架构和血管感知预训练对性能的贡献。
四、研究结果
（一）数据集1（Mendeley）性能评估
在Mendeley视网膜眼底图像数据集的4000张测试图像上，模型总体分类准确率为0.87，宏平均和加权平均的精确率、召回率及F1分数均为0.87。各类别中，早中期CVD风险（轻度DR）的精确率为0.78，召回率为0.81，F1分数为0.80；中度DR对应的F1分数最低（0.77），精确率0.75，召回率0.78，表明中间类型视网膜异常的区分难度较大；高风险（重度DR）类别的精确率0.89，召回率0.90，F1分数0.89；极高风险（增殖性DR）类别的精确率0.94，召回率0.85，F1分数0.89。直接CVD风险（HR）类别实现了1.00的精确率、召回率和F1分数，表明该类别分类完全正确。
（二）数据集2（APTOS 2019）性能评估
在APTOS 2019数据集上，模型同样实现了87%的总体准确率，宏平均和加权平均F1分数为0.87。其中，无DR类别表现最佳（F1=0.95），重度DR获得F1=0.91，而中度DR类别的召回率较低（0.66），F1分数为0.77，主要由于与相邻的轻度及重度DR类别存在误分类。整体结果表明，尽管数据集来源和采集条件存在差异，模型仍能有效区分与CVD风险递增相关的视网膜严重程度等级。
（三）训练过程与分类性能
训练和验证损失-准确率曲线显示，模型在大多数训练阶段呈现稳定收敛。在约第90个epoch附近，验证曲线出现相对明显的波动，可能归因于验证集变异性、异常样本或图像分布差异，而非习得表征的持续退化。训练曲线表明模型在70至85个epoch之间已达到相对稳定的性能水平，在该区间设置早停标准可减少不必要训练并限制过拟合风险。值得注意的是，上述验证波动不影响两个数据集报告的总体分类性能。混淆矩阵分析显示，在数据集1中，模型对高血压性视网膜病变、增殖性DR和重度DR表现出高真阳性率；在数据集2中，无DR和重度DR的类别分离良好，而中度DR的召回率较低。
（四）消融研究
消融实验结果揭示了各组件的作用：去除Transformer头后，MACE预测的AUC降低约0.02，年龄预测的MAE增加约0.07年，表明自注意力机制有效建模了弯曲血管轨迹和视盘-黄斑空间关系，这些是局部卷积难以充分捕获的信息。血管感知预训练（在分割任务上预训练）使激活图中的血管定位更加精准，MACE AUC提高约0.01，说明明确强化血管表征有助于预后预测。与单纯CNN模型相比，混合架构在所有评估指标上均有一致提升。置信区间采用bootstrap估计。
（五）两个数据集的卡方检验
研究人员对两个数据集分别进行卡方检验。原假设（H0）为观察到的预测类别频率符合预期均匀/随机分布（无预测能力），备择假设（H1）为观测频率显著偏离预期分布（模型具有预测能力）。检验结果显示两项测试均拒绝原假设（p远小于0.001），证明模型预测结果远超所有CVD相关视网膜类别的随机水平。
（六）临床相关性
尽管改进幅度有限，但在人群尺度上可能具有重要意义。MACE预测AUC约为0.73，提示该模型可作为分诊工具（而非诊断工具）使用。后续需要与现有的风险计算器（如Framingham）进行比较，并探索眼底图像结合临床变量的多模态融合以进一步提升性能。注意力和分割结果提供的解释性有助于增强临床医生的信任度。
五、总结讨论与结论
讨论部分指出，混合EfficientNetV2-ViT多任务框架在预后MACE预测方面相对于既有基线和纯CNN基线表现出微小但稳定的改进，辅助血管监督增强了模型的解剖学聚焦和可解释性。研究结论部分翻译如下：利用视网膜眼底图像预测心血管风险，采用带有血管感知预训练的混合EfficientNetV2-ViT多任务框架。实验表明，该方法相对于既有基线和纯CNN基线显示出微小但稳定的提升，尤其是在预后MACE预测方面。辅助血管监督改善了模型的解剖学关注度和可解释性。未来发展方向包括：跨多种相机型号和多种族队列进行严格的外部验证；结合电子健康记录（EHR）特征进行多模态融合以增强临床效用和校准度；开展前瞻性临床研究以评估其成本效益和筛查价值；实施稳健的不确定性估计和公平性审计，以确保模型的公平部署。
