视网膜血管阻塞（RVO）是一种常见的视力损害病因，临床中根据血管阻塞位置不同可以将其分为视网膜中央动脉阻塞（CRAO）、中央静脉阻塞（CRVO）、分支动脉阻塞（BRAO）与分支静脉阻塞（BRVO）四种亚型。虽然不同RVO亚型的发生与年龄、吸烟、糖尿病和高血压等危险因素有关，但其病理生理学、系统性影响和临床管理存在显著差异，治疗和护理方法各异，预后也各不相同。因此，迫切需要准确的RVO筛查和分类，以便为患者制定恰当的治疗计划和眼部护理措施，以最小化可能导致的视力损伤，同时警惕潜在的心血管疾病和栓塞风险。然而，由于专业眼科医生在某些地区，特别是偏远和欠发达地区的匮乏，RVO的漏诊和误诊现象时有所闻。这可能导致错失治疗的最佳时机和方案，给患者造成不可逆的视觉损害，长期影响患者生活质量。为了遵循精准医疗的原则，改善人们的健康，急需建立更全面的RVO筛查和差异化诊断方案，以改变这一状况。这不仅有助于保护患者的视力，还能提前识别和干预潜在的心血管疾病和栓塞风险，从而更全面地维护他们的整体健康。

眼底彩照（CFP）作为一种广泛使用的非侵入性、经济实惠的辅助影像资料，已在全球范围内得到推广应用，且非专业人员经过简单培训即可进行拍摄。由此，结合深度学习技术和眼底彩照，开发高性能人工智能模型以实现RVO的自动筛查和差异化诊断已然成为极具前景的方向。

近日，温州医科大学周猛研究员团队在《Computers in Biology and Medicine》 （影响因子IF:7.7, 中科院数学与计算生物学一区，JCRQ1）杂志在线发表了题为“DeepDrRVO: A GAN-auxiliary two-step masked transformer framework benefits early recognition and differential diagnosis of retinal vascular occlusion from color fundus photographs”的研究。

该研究采用了独特的小样本数据处理方法，结合CFP数据，构建了一个高性能的深度学习框架DeepDrRVO，实现了对RVO的精准筛查与差异化诊断，并在温医大附属眼视光医院回顾性队列和三个外部多中心队列上对其鲁棒性与泛化性进行了多维度的验证 （图1）。

图1 研究示意图

在这项研究中，研究团队首先采用深度卷积生成对抗网络与图像超分生成对抗网络构建了一个小样本生成器，用于合成动脉阻塞的高分辨率CFP图像。这一策略有助于缓解因动脉阻塞样本稀缺而导致的CFP数据不平衡问题。其次，研究采用了模块化的双步框架结构，使得模型能够分别处理不同粒度任务，从而更好地从混杂的层次关系中学习到关键特征，增强了整体框架的灵活性。最后，作者以SwinTransformer作为backbone，并设计了一种掩码策略，以patch为单位计算自注意力。这一策略通过以一定概率对linear embedding后的token进行掩码操作，在patch merging过程中引导模型学习更强的关联性特征，而不是固定的模式信息。这种侧重于关注区域内各部分间关联进行推理的模式也更符合临床医生的诊断思维（图2）。

图2 深度学习框架

在温医大眼视光医院队列WMUEH上对DeepDrRVO进行效能评估，结果表明DeepDrRVO在RVO的筛查与诊断方面展现出优异的性能。此外，DeepDrRVO通过Axion-based类激活图为其结果提供了内在的可解释性，增强了其临床应用的可信度（图3）。

图3 DeepDrRVO在WMUEH队列上的筛查与诊断效能

为了进一步验证DeepDrRVO在真实世界中的鲁棒性和应用潜力，作者额外收集了三个多中心队列数据进行验证。经过多维度的评估与测试，DeepDrRVO在不同亚型的RVO上依然保持了稳健的筛查与诊断性能（图4）。

图4 DeepDrRVO在三个外部多中心队列上的筛查与诊断效能

【结论与展望】

综上，本研究为RVO的早期筛查和差异化诊断提供了一种前沿的方法，充分发挥了深度学习技术和眼底彩照在医学图像分析领域的巨大潜力。研究成果有望在改善患者视力和临床决策方面产生积极的影响。同时，该研究提出的数据不平衡解决方案也为处理眼科领域小样本问题提供了全新的思路和框架。

原文链接：https://www.sciencedirect.com/science/article/pii/S1043661823002001?via%3Dihub