深度学习模型 D-GET：开启糖尿病视网膜病变精准诊断新时代

为解决手动诊断糖尿病视网膜病变（DR）难题，研究人员开发 D-GET 模型，提升小病灶检测精度，助力诊疗。

　　糖尿病视网膜病变（Diabetic Retinopathy，DR）的早期检测对于保护视力、预防视力恶化至关重要。眼底荧光血管造影（Fundus Fluorescein Angiography，FFA）作为诊断 DR 的金标准，能有效揭示视网膜血管的异常情况。然而，手动诊断 DR 不仅耗费人力、成本高昂，而且准确性较低。鉴于此，利用深度学习技术开发基于 FFA 的 DR 分类模型意义重大。此外，DR 分类面临诸多挑战，不同疾病阶段的病灶差异极小，同一阶段的病灶大小变化显著，现有模型还常常忽略小病灶。研究人员提出了一种深度学习模型 D-GET，它运用分组增强变换器（Group-Enhanced Transformer）对 FFA 图像中的 DR 病灶严重程度进行分类。D-GET 模型集成了全尺度变换器模块（Full-Scale Transformer Block），其中的分组聚焦模块（Group-Focal module）可捕获从精细细节到宏观模式的多尺度特征信息，并自适应地整合上下文信息，增强了模型对小病灶的检测能力。该模型还包含通道自适应注意力模块（Channel Adaptive Attention Module，CAAM），它能综合通道和空间信息，提升特征检测与定位能力。实验结果表明，在自定义数据集上，D-GET 方法优于现有方法。专为基于 FFA 图像的 DR 分类而开发的 D-GET 模型，显著提高了对小病灶的检测水平。这一进展推动了 DR 的诊断和治疗，为其在眼科及普通医学成像等多个领域的广泛应用奠定了坚实基础。