像素注意力与M形网络融合：糖尿病视网膜病变智能分级及卒中风险预测的突破性AI解决方案

本研究针对糖尿病视网膜病变(DR)早期诊断难、传统方法主观性强等问题，开发了基于像素注意力(PIAT)和M形神经网络架构的PAM系统。该系统在3.5万张眼底图像测试中实现98.73%准确率，同时通过视网膜微血管分析预测卒中风险，为眼科与神经科联合诊疗提供AI驱动的双效解决方案。

　　

糖尿病已成为全球公共卫生危机，预计2045年患者将达7亿。作为糖尿病最严重的并发症之一，糖尿病视网膜病变(DR)导致视网膜微血管损伤，全球约4亿患者受累。其早期症状隐匿，传统诊断依赖专家主观判读，在医疗资源匮乏地区筛查率不足20%。更严峻的是，研究显示糖化血红蛋白(HbA_A1c>9%)患者DR发生率高达88%，而视网膜微血管异常与脑小血管病存在显著关联，晚期DR患者卒中风险增加3倍。

针对这一临床痛点，由King Salman Center for Disability Research资助的研究团队开发了像素注意力M形架构(PAM)。这一创新系统通过35,000张多中心眼底图像的训练验证，不仅实现DR精准分级，更开创性地建立视网膜微血管特征与卒中风险的关联模型。相关成果发表于《Biomedical Signal Processing and Control》，为AI在跨学科医疗应用树立新标杆。

研究采用三大关键技术：1) 像素注意力网络(PIAT)实现微动脉瘤等病灶的亚像素级定位；2) M形多尺度神经网络处理不同尺寸的血管病变特征；3) 融合光学相干断层扫描血管成像(OCTA)参数如中心凹无血管区(FAZ)扩大等生物标志物，构建卒中风险预测模型。样本来自包含轻、中、重及增殖期DR的多元数据集。

【结果与讨论】章节显示，PAM在四类DR分级中达到98.8%准确率与99.3% F1值，其PIAT模块对微动脉瘤检测灵敏度达98.67%。相比传统卷积神经网络(CNN)，M形架构使小病灶检出率提升32%。特别值得注意的是，当整合视网膜动静脉比值、HbA_A1c等参数时，对5年卒中风险的预测灵敏度达91%，显著优于现行ASCVD评分体系。

【讨论】部分强调，PAM的双重价值体现在：眼科层面，其像素级分析能力可识别传统方法易漏诊的早期NPDR（非增殖期DR）病灶；神经科层面，通过量化静脉串珠样改变等特征，无创评估脑微血管病变程度。这种"一眼双查"模式使常规眼底检查升级为全身微血管健康评估，在沙特阿拉伯的临床验证中，使高危患者MRI检查需求降低40%。

该研究的突破性在于首次实现DR诊断与卒中预警的功能整合。作者指出，未来通过移动端部署，PAM可在资源有限地区开展大规模筛查。当前局限在于对出血灶密集病例的误判率仍需优化，团队正通过增加出血形态学特征维度进行模型迭代。这项研究为AI驱动的一体化慢性病管理提供范式，其方法论可拓展至高血压视网膜病变等其他微血管疾病的智能评估。