BigEye：一种临床可解释的糖尿病视网膜病变检测与分期深度学习框架

为什么一张简单的眼部照片能挽救视力

对于许多糖尿病患者来说，视力损失悄然发生。一张在诊所拍摄的眼底照片就能在症状出现很久之前揭示早期损伤，但需要专家来解读这些影像。本研究介绍了“BigEye”——一个不仅能从这些照片中识别糖尿病性眼病，还能用临床医生熟悉的术语解释其判断的计算机系统，可能使筛查更快、更一致并更容易获得信任。

糖尿病如何在眼内悄悄造成伤害

糖尿病视网膜病变是糖尿病的一种并发症，会损害眼后部感光组织——视网膜。高血糖削弱供应该组织的微小血管，导致血管渗漏、堵塞或异常生长。随着时间推移，这些损伤会表现为若干可辨别的征象——血管的小突起、出血的小点、黄色的脂质和蛋白沉积、绒毛状白斑（神经组织丢失的表现）以及容易牵拉视网膜的脆弱新生血管。医生通过称为眼底影像的专门照片检查这些变化，并使用国际通用的五级分期量表来判断疾病进展，从无病变到晚期危及视力的阶段。

为什么医生希望机器可被提问

基于深度学习的计算程序已经在眼底照片中识别糖尿病性眼病的能力上可与眼科医生匹敌，且部分系统已获临床批准。但许多此类系统表现得像“黑箱”：尽管准确度高，却很少说明它们是如何得出某个具体判断的。对于必须解释诊断、权衡治疗风险并防范罕见但严重错误的临床医生来说，这种不透明性是一个重大障碍。他们真正需要的是以与人类专家类似的方式“思考”的工具——能以临床语言说明“我将此例判为中度病变，因为在视网膜这些部位我看到了许多小血管突起和一些脂质沉积”。

BigEye 有何不同

BigEye 的构建旨在模仿临床医生评估视网膜损伤的思路。研究者将来自当地医院和法国公共筛查项目的眼底照片合并，收集了超过600张覆盖五个疾病分期的影像。专家在这些图像上精细描绘了六类关键损伤：血管小突起、出血区域、脂质沉积、绒毛状白斑、异常新生血管和激光治疗留下的瘢痕。随后训练了一个深度学习模型，使其能自动复现这些标注——换言之，模型学会在看到新照片时为每种损伤自动“着色”标出区域。

将斑点与瘢痕转化为分期

一旦 BigEye 能突出显示这些受损区域，系统便把它们转换为简单测量：每种病变的数量，以及它们相对于视网膜覆盖的面积。这些测量形成一张数值表，作为若干不同机器学习模型的输入，用于预测官方的疾病分期。表现最好的模型是基于树的 Light Gradient Boosting（LightGBM），其分期正确率约为83%。该模型在将无病眼与更严重损伤的眼区分开方面表现尤其好，但有时会把相邻分期混淆，例如中度与重度，当它们的病变模式非常相似时便会发生混淆。

窥视模型的推理过程

为了检验 BigEye 是否像临床医生那样推理，团队使用了一种称为 SHAP 的技术，观察哪些病变测量值对每个分期预测的影响最大。这些模式与医学判断高度一致。被标为无病的图像与所有病变计数都很低相关。轻度病变主要由血管小突起驱动，这与人工分级者的预期相符。中度病变则表现为这些小突起和脂质沉积的混合，而重度病变与更多的出血点和绒毛状白斑相关。最晚期主要依赖于新生血管的迹象和激光治疗留下的瘢痕——同样与专家的判断一致。

这对糖尿病患者意味着什么

BigEye 表明，计算机可以使用医生信赖的可见预警信号来分级糖尿病性眼病，而不是依赖神秘的内部模式。尽管该研究使用的数据集规模有限，并且在检测最小和最隐蔽的病变方面存在一定困难，但这种方法展示了一个有前景的方向：能够快速筛查大量患者并清晰显示驱动每个决策的损伤类型的系统。对于生活在糖尿病下的人来说，这可能意味着更早的发现、更一致的护理，以及与医生就眼内发生的情况以及如何保护视力进行更有效的沟通。

引用: Gill, H.M., Salem, D.H., Omoru, O.B. et al. BigEye: a clinically interpretable deep learning framework for diabetic retinopathy detection and stage prediction. Sci Rep 16, 12574 (2026). https://doi.org/10.1038/s41598-026-43573-x

关键词: 糖尿病视网膜病变, 视网膜影像, 可解释性人工智能, 医学深度学习, 眼科学