使用深度学习模型自动诊断Plus征与早期ROP阶段

为什么微小的眼睛与智能计算机都很重要

每年有数千名早产儿面临失明风险，因为眼后部的血管无法正常生长，这种情况称为早产儿视网膜病变（ROP）。及早发现该问题可以挽救视力，但这需要由高度训练的专家进行频繁的眼科检查——而在世界许多地区，这类专家十分短缺。本研究探讨了现代人工智能（AI）如何帮助医生从视网膜照片中发现早期警示信号，可能将专家级筛查能力带到缺乏眼科专科的医院和诊所。

问题所在：最小患者的脆弱视力

ROP发生于早产打断了视网膜（眼后方的感光层）血管的正常发育。极早出生或极低体重的婴儿风险最高。轻度病例中，眼睛可能会自行恢复；严重病例中，异常血管可牵拉视网膜并导致永久性失明。全球估计约有5万人因ROP致盲，尤其是在新生儿护理提高了生存率但眼科筛查项目和专科医生未跟上的地区。目前的筛查既费时又昂贵且带有主观性：两位专家有时会对婴儿病情的严重程度产生分歧。

医生关注什么：扭曲的血管与早期阶段

眼科医生通过视网膜图像的两个主要线索来判断ROP。一是疾病的总体分期，从第0期（无可见改变）到早期问题阶段（第1至第3期）。另一项是“Plus征”，这是一个警示信号，指视网膜上的血管异常扩张并扭曲。Plus征提示发生严重损害的风险更高，通常会触发如激光治疗或药物注射等干预。用肉眼评估这些特征具有挑战性，尤其当图像模糊或婴儿需每周反复检查时。能从图像自动标记Plus征并估计ROP分期的系统，将成为临床医生的有力辅助工具。

AI如何“看见”：从眼图绘制血管图

研究人员构建了一个两步的AI流程，使用来自188名婴儿的6,000多张视网膜图像。首先，他们训练一个神经网络为每张视网膜绘制精确的“血管图”，突出显示每条可见血管，甚至最细的分支。在多种竞品图像处理模型中，一种称为U-Net++的变体在捕捉细致血管模式方面表现最佳，尤其在噪声多或对比度低的图像中。为提高清晰度，团队在分割前对每张照片进行了增强处理，如对比度提升和降噪。对于Plus征检测，他们随后只将血管图——而非完整彩色照片——输入第二个神经网络，因为Plus征几乎完全由血管的粗细和弯曲度决定。

教网络为疾病分级

要判断ROP分期，AI需要的不仅仅是血管形态。因此该系统将原始彩色视网膜图像与相应的血管图结合，既提供了视网膜的整体视野，又强调了血管细节。团队测试了几种常见的深度学习主干网络，发现名为EfficientNetB4的模型在准确性与效率之间提供了最佳平衡。在留出验证集上，Plus征检测器达到99.6%的准确率，而分期分类器在第0至第3期的整体准确率为98%。包括精确率—召回率曲线与受试者工作特征曲线在内的额外检验表明，尽管Plus征远比正常图像罕见，模型仍保持高敏感性（很少漏诊）与高特异性（很少误报）。

打开“黑箱”

由于影响治疗决策的工具必须获得临床信任，作者探查了他们的AI如何做出判断。使用诸如t-SNE的可视化方法，他们展示了来自不同类别的图像（例如Plus与正常或第1期与第3期）在模型的内部特征空间中形成清晰分隔的簇。用称为Grad-CAM的热图技术，他们突出显示出对预测影响最大的视网膜区域。对于Plus征，模型关注血管异常扩大或扭曲的区域，与专家的判断一致。对于分期评估，模型还会注意视盘和黄斑等其他区域，这表明其推理与既定的医学标准紧密对齐，而非依赖图像中的伪迹。

这对婴儿和诊所意味着什么

简而言之，这项工作表明，经过精心设计的AI系统能够以接近专家的准确率解读早产婴儿的视网膜图像，既能检测危险的血管变化，又能判断疾病的进展程度。该研究在单一医疗中心进行，仅包含早期到中度阶段，因此仍需更大规模的多医院试验和更多晚期病例的数据进行验证。然而结果表明，通过进一步验证并谨慎地整合到远程医疗平台中，这类工具可以帮助人手紧缺的卫生体系以更一致、更低成本的方式为更多婴儿进行筛查。这可能意味着更早的治疗并提高在新生儿护理中保护视力的机会。

引用: Vahidmoghadam, M., Ghorbani, P., Ahmadi, M.J. et al. Automated diagnosis of plus form and early stages of ROP using deep learning models. Sci Rep 16, 7234 (2026). https://doi.org/10.1038/s41598-026-37064-2

关键词: 早产儿视网膜病变, 人工智能, 深度学习, 医学影像, 新生儿眼病