基于多任务深度学习与放射组学的视网膜血管分割及多类疾病分类系统

本研究针对视网膜疾病诊断中血管特征提取与分类准确性不足的问题，开发了整合血管分割（U-Net/Swin-Unet等5种模型）和放射组学（220个特征）的多任务深度学习框架。通过对8个医疗中心2165例患者的眼底图像分析，模型在外部测试集实现92.3%准确率和95.2% AUC，其中Swin-Unet的血管分割DSC达92.4%。该研究为DR（糖尿病视网膜病变）、HR（高血压视网膜病变）和视乳头水肿的自动化鉴别提供了可解释性强、跨中心稳定的AI解决方案。

　　

视网膜疾病是全球致盲的主要原因，其中糖尿病视网膜病变(DR)、高血压视网膜病变(HR)和视乳头水肿的早期诊断尤为关键。然而，这些疾病在眼底图像中常呈现重叠的血管改变特征——DR表现为微动脉瘤和渗出，HR显示动脉狭窄和棉絮斑，而视乳头水肿则以视盘隆起为特征。传统诊断依赖医师经验，存在主观性强、微小病变易漏诊等问题。更棘手的是，不同医疗机构使用的眼底相机型号各异（如Topcon TRC-NW400与Zeiss Visucam 524），导致图像分辨率从3.1MP到15MP不等，这种技术异质性进一步加大了自动化诊断的难度。

为突破这些瓶颈，Feng Yan团队在《Photodiagnosis and Photodynamic Therapy》发表的研究中，构建了一个革命性的多任务分析框架。该研究从8家医院筛选2165例合格病例，通过标准化预处理（CLAHE对比度增强、512×512像素重采样）后，创新性地将血管分割与放射组学特征提取相结合。关键技术包括：1) 采用5种深度学习模型（含Transformer架构的Swin-Unet）进行全血管及动静脉分割；2) 使用PyRadiomics和Mahotas工具包提取220个放射组学特征，结合动脉静脉比(AVR)计算；3) 通过ICC≥0.75筛选稳定特征，并用LASSO/RFE/MI进行特征选择；4) 最终由XGBoost/Ensemble等分类器实现四类疾病判别。

3.1 临床与人口学特征

研究队列涵盖560例HR、590例DR、485例视乳头水肿和530例正常者，平均年龄从42.1岁(视乳头水肿)至61.5岁(DR)，高血压和糖尿病患病率分别为100%/31.3%(HR组)和35.9%/100%(DR组)，BMI最高达27.8 kg/m²(DR组)，反映了真实的临床多样性。

3.2 分割性能

Swin-Unet在外部测试集展现压倒性优势：全血管分割DSC 92.4%，动静脉分割DSC 89.8%，显著优于U-Net(84.8%)和HRNet(88.1%)。其生成的血管地图能精确区分动脉（中央反射光带明显）与静脉（管径较粗），使AVR计算误差最小化（HR组0.63±0.05 vs 正常组0.75±0.03）。

3.3 放射组学特征分析

从血管掩膜提取的GLCM（灰度共生矩阵）对比度、GLRLM（灰度游程矩阵）熵等特征显示疾病特异性分布。经ICC筛选后保留的195个特征中，Zernike矩量化了视盘形态改变，而TAS（阈值邻接统计）有效捕捉DR的微血管渗漏模式。

3.4 疾病分类性能

Swin-Unet+LASSO+Ensemble组合达到巅峰性能：测试集准确率93.7%，外部验证集92.3%，AUC 95.2%。混淆矩阵显示其对DR特异性达94.1%，仅5.8%视乳头水肿被误判为HR。相比之下，传统U-Net架构准确率骤降至77.9%，证实Transformer在捕捉血管拓扑上的优势。

这项研究的意义在于三方面突破：首先，开创性地将放射组学引入视网膜血管分析，使传统AVR指标与220个定量特征形成互补；其次，Swin-Unet的全局注意力机制解决了细小血管分割难题，DSC提升7.6%；

最后，多中心验证证实模型在4.4MP-15MP不同设备间的稳定性。未来若整合OCT（光学相干断层扫描）三维信息，有望进一步区分合并症病例。正如作者指出，该框架不仅可部署为基层筛查工具，其放射组学特征库更为探索疾病进展机制提供了新视角。