使用机器学习与图像处理技术对年龄相关性黄斑变性进行自动诊断

这为何关系到你的视力

随着寿命延长，越来越多的人面临年龄相关性黄斑变性（AMD），这是一种缓慢侵蚀中央视力的疾病，可能使阅读、驾驶或识别面孔变得困难甚至不可能。眼科医生可以在眼底照片中发现早期征兆，但对成千上万名患者人工检查既费时又需专门技能。本研究探索了一种透明的、基于机器学习的工具，如何在常规眼底照片中帮助及早发现AMD，而无需依赖脆弱且难以解释的深度学习“黑箱”。

在提供清晰视力的区域寻找异常

AMD 侵袭黄斑——视网膜中心附近提供精细视力的小黑点。许多自动系统试图在整张眼底图像中寻找称为类脂质沉积（drusen）的微小脂肪沉积，但类脂质沉积容易与小出血等其他亮点混淆，且在形状和大小上差异很大。这使它们难以被计算机可靠检测，即便专家也需花时间仔细核查。作者采用不同途径：不再遍寻全视网膜的类脂质沉积，而是聚焦于黄斑区域本身，测量其在出现AMD时纹理和颜色的变化。

从原始照片到黄斑的“指纹”

系统以一张眼底彩色照片（称为眼底图像）为起点。它首先使用标准图像处理步骤增强对比度，使暗区和亮区更易区分。接着自动定位视神经乳头——一个明亮的圆形区域，是视神经离开眼球的地方——并利用其与黄斑的已知几何关系，在图像的一条窄带上搜索与预期大小和位置相符的最暗区域。以该点为中心，系统裁切出一个小矩形：这就是感兴趣区，包含最可能揭示早期AMD损伤的组织。

将模式与颜色转化为数字

在该黄斑小块内，研究者计算了一大组数值描述符，或称“手工特征”。纹理特征描述像素强度的排列方式——表面看起来是平滑、斑驳还是不规则——而颜色特征则捕捉亮度与色相的变化，这些变化可能反映色素与组织健康的改变。总体上，每张眼图测量了 140 个纹理值和 48 个颜色值。由于并非所有数值都同样有用，团队应用统计检验和特征排序方法，选择出能最好区分健康与AMD眼睛的较小子集，剔除冗余或噪声测量。

训练机器判断“AMD”或“正常”

拿到这些筛选后的特征，作者训练了数个知名的机器学习分类器——支持向量机（SVM）、k 最近邻、朴素贝叶斯和一个简单神经网络——以学习正常与受AMD影响眼睛之间的差异。他们使用了两个公开的视网膜图像集合：包含 35 张正常和 74 张 AMD 图像的 STARE 数据集，以及规模更大的带标签 ODIR 数据集（包含数百个病例）。为测试可靠性，研究者反复将每个数据集拆分为训练与测试部分，轮换图像使每只眼睛至少作为一次测试样本，然后测量准确率、错误率以及 AMD 的检出率。

清晰的结果与更明晰的推理

在所有测试中，使用黄斑纹理特征的 SVM 分类器表现最为突出。在 STARE 数据集上，它几乎以 99% 的成功率区分 AMD 与正常眼；在 ODIR 上，准确率约为 95%。纹理信息比单独的颜色信息更具判别力，将两类特征结合并未超越仅用纹理的表现。虽然文献中一些深度学习系统可达到相当或略高的分数，但它们需要大量标注数据且难以说明依赖何种图像线索。相比之下，本研究的手工纹理与颜色特征对应于视网膜中可识别的结构，使得系统对临床医生更具可解释性。

这对患者意味着什么

通俗地说，研究表明一个相对简单且透明的计算程序可以查看一张标准眼底照片，放大黄斑区域，并以极高的可靠性标记出是否可能存在 AMD，而无需先尝试追踪每一个微小沉积物。这样的工具可帮助眼科门诊与筛查项目快速筛选大量图像，确保早期疾病患者更早被专家就诊，同时也为医生提供更清晰的证据，说明机器在做出判断时所依据的视觉模式。

引用: Agarwal, D., Bhargava, A., Alsharif, M.H. et al. Automatic diagnosis of age-related macular degeneration using machine learning and image processing techniques. Sci Rep 16, 5037 (2026). https://doi.org/10.1038/s41598-026-35428-2

关键词: 年龄相关性黄斑变性, 视网膜成像, 机器学习, 早期疾病检测, 医学图像分析