可解释中智知识蒸馏模型用于超广角眼底图像分类
摘要
研究提出一种可解释的中智(neutrosophic)知识蒸馏(NKD)模型,用于超广角(UWF)眼底图像的视网膜疾病分类。不同视网膜疾病外观相似、类别不均衡且视觉特征存在不确定性,给分类带来困难。该模型以ResNet50为教师网络,向学生网络提供包含预测不确定性信息的监督信号,并结合CLAHE图像预处理。5折交叉验证加独立保留集评估显示,模型平均准确率84.00%、特异度97.33%、精确率84.99%、召回率84.00%、F1值84.02%;消融实验中完整模型准确率为87.86%,特异度97.48%,AUC报告为97.48%。该模型优于基于LBP、HOG特征的传统支持向量机方法及多个基线卷积神经网络。Grad-CAM++可视化显示,模型分类时关注的是相关视网膜区域。
信息来源: PubMed Ophthalmology 发布于 2026年5月16日
要点速览
- 提出可解释的中智(neutrosophic)知识蒸馏模型,用于超广角眼底图像的视网膜疾病分类
- 以ResNet50为教师网络并结合CLAHE预处理,让学生网络同时学习真实标签和教师预测的不确定性
- 5折交叉验证平均准确率84.00%,消融实验中完整模型准确率87.86%
- 摘要未说明数据规模和疾病种类,也未在真实临床场景中验证
本站解读
这项研究的出发点是让AI在看超广角眼底照片时,把拿不准的程度也纳入学习过程。研究者用ResNet50作教师网络,把带有不确定性信息的判断传给学生网络,再用Grad-CAM++热力图展示模型关注的区域。结果显示,5折交叉验证平均准确率为84.00%,消融实验中完整模型准确率为87.86%,优于传统机器学习方法和几种基线网络。
它的局限也很清楚:摘要没有说明数据集规模和包含哪些疾病,也没有在其他医院或真实筛查场景中验证;84%左右的准确率意味着仍有相当比例的图像会被分错。我们的判断是,这是一项方法层面的探索,离临床使用还有较长距离,短期内不会进入常规诊疗。
这类算法要用于中国患者,需要在国内数据上重新验证,并通过医疗器械审批,原文未涉及相关信息。普通人做眼底检查无需因此改变什么,如有疑虑可咨询眼科医生。
常见问题
这个AI看眼底照片准不准?
在实验数据上表现不错,但还不能用于看病。论文报告5折交叉验证平均准确率为84.00%,完整模型准确率为87.86%,高于多种传统方法;但研究没有说明数据规模,也没有在医院实际筛查中验证,仍有一定比例的图像会被分错。原文未提及该模型在国内的应用,如有疑虑可咨询眼科医生。
以后查眼底是不是都要拍超广角照片?
不需要因为这项研究改变检查方式。研究只是在超广角(UWF)眼底图像上开发分类算法,并没有改变眼底检查的标准,是否需要拍超广角照片仍由医生根据病情决定。原文未提及该模型在国内医院的应用,普通眼底检查流程不受影响,如有疑虑可咨询眼科医生。
延伸阅读
CNN、Transformer与Mamba模型在眼病分类中的性能对比
研究首次将Mamba架构应用于彩色眼底图像的多类别眼病自动分类,并在相同实验条件下对比了6种CNN、Transformer和Mamba模型在Eye Disease Image Dataset(EDID)上的表现。结果显示三类模型整体性能相近;对前三名模型进行logit级集成后略有提升,表明它们捕捉的视觉特征存在部分互补性。研究还指出,结构特征明显的眼病识别更稳定,而特征细微或重叠的类别仍具挑战性。
AI通过非视神经区域眼底图像识别颅内高压
研究开发了一种深度学习模型,用宽视野眼底图像判断患者是否存在颅内压升高合并视乳头水肿。共纳入32名患者(70张图像)和31名对照者(62张图像),分别测试模型与两位神经眼科医生在ONH未遮盖和ONH遮盖图像上的分类准确率。结果显示,模型在未遮盖图像中准确率达83%(AUC=0.94),遮盖后为79%(AUC=0.90),表现与专家相当,且不受ONH区域是否可见影响。
空间感知神经符号AI用于OCT图像视网膜病分类
研究开发了一种融合CNN、视网膜层分割图与专家规则的神经符号AI模型,用于对OCT图像进行多标签视网膜疾病分类。模型在10类疾病(含干/湿性AMD、糖尿病视网膜病变等)上测试,微平均精确率0.91、召回率0.81、F1分数0.86,AUC达0.98;对402张未纳入训练的病理图像,未错误判为‘正常’。