基于空间感知Transformer-GRU的3D OCT图像青光眼增强诊断框架

人工智能 信息科学 医学影像 计算机科学 眼科学 医学
青光眼检测 3D光学相干断层扫描 Transformer 门控循环单元 空间依赖性 人工智能 临床辅助诊断

一、学术背景——青光眼早筛亟需创新诊断工具

青光眼是全球范围内导致不可逆性失明的主要疾病之一。据[31]等研究表明，青光眼具有早期症状隐匿、视功能损害不可逆等特点，因此早期发现和干预至关重要。目前，光学相干断层扫描（Optical Coherence Tomography，简称OCT）作为一种三维（3D）无创高分辨率影像技术，在眼科诊断领域发挥着日益重要的作用，能够直观展现眼部解剖的结构性变化，并帮助医生实现对视网膜神经纤维层（Retinal Nerve Fiber Layer，RNFL）等关键区域的精确评估[13]。

然而，传统青光眼OCT辅助诊断方法往往依赖于二维（2D）B扫描的分析，重点关注视神经乳头（Optic Nerve Head，ONH）中央切片。这种局部信息虽有助于检测结构性损伤，但必然忽略了3D OCT影像所蕴含的全面空间信息，难以揭示青光眼在视网膜各层深度和区域的广泛、渐进性病理特征[34]。此外，由于RNFL变薄、眼底结构改变等变化表现为复杂的空间分布，人工逐层判读OCT数据既费时又易漏诊。

为应对上述挑战，人工智能（Artificial Intelligence，AI）技术——尤其是深度学习（Deep Learning）方法——成为自动化青光眼筛查的重要手段。如何高效整合整个3D OCT体积数据、挖掘其潜在空间特征，并在实际临床场景下提高自动诊断的准确性和可靠性，是当前的研究热点。本文作者正是针对3D OCT数据的深层价值和自动化诊断流程中的关键难题展开了创新性探索。

二、论文来源及作者信息

本文题为《Spatial-Aware Transformer-GRU Framework for Enhanced Glaucoma Diagnosis from 3D OCT Imaging》，发表于《IEEE Journal of Biomedical and Health Informatics》2025年9月第29卷第9期（DOI: 10.1109/jbhi.2025.3550394）。作者为Mona Ashtari-Majlan及David Masip（Senior Member, IEEE），均来自西班牙加泰罗尼亚开放大学（Universitat Oberta de Catalunya, UOC）计算机科学、多媒体与电信系。研究获得西班牙科学与创新部资助（FEDER initiative, Grant PID2022-138721NB-I00）。

三、研究流程详细解读

1. 研究总体设计与思路

该研究聚焦于开发一种创新的深度学习框架，充分利用3D OCT全体积的空间信息，实现青光眼的自动化、精准筛查。提出的模型融合Transformer和双向门控循环神经网络（Bidirectional Gated Recurrent Unit, GRU）双核心架构，兼顾局部切片特征提取与整体空间结构依赖建模，实现对青光眼微妙损伤的全面捕捉。

研究流程分为数据预处理、特征提取、序列处理、模型训练与优化、对比实验、消融实验等环节。

a) 数据预处理（Pre-processing）

  • 数据来源：采用Maetschke等人公开的3D OCT影像数据集[21]，囊括624名患者的1110份OCT扫描。扫描仪型号为Cirrus SD-OCT，分辨率为64×64×128体素。
  • 样本组织：信号强度≥7者纳入研究，最终263例为健康对照，847例诊断为青光眼（均经视野检查两次异常结果确诊）。
  • 预处理方法：
    • 所有影像按ImageNet均值与标准差归一化，统一亮度色度分布。
    • 影像尺寸调整至64×128×128标准大小，确保各样本输入的结构一致。

b) 特征提取（Feature Extraction）

  • 方法创新：采用由Zhou等开发预训练的RetFound模型[36]作为特征提取网络，其核心为ViT-large（Vision Transformer，大型视觉Transformer）框架，包含24个Transformer块、1024维嵌入向量，对1.6百万未标注视网膜影像进行了自监督学习。
  • 具体实现：
    • 将3D OCT体积划分为d（64）个切片，每个切片(s_i)独立输入ViT-large模型，输出1024维切片特征向量(f_i)。
    • 特征抽取流程有效捕捉每一层面细微结构差异，为后续整合做准备。

c) 序列处理（Sequential Processing）

  • 空间依赖建模：为刻画3D OCT序列各切片间的空间相关性与时序依赖，采用双层双向GRU。
  • 网络流程：
    • 第一步，将所有切片特征向量｛f_1, f_2, … f_d｝依次输入GRU。
    • 双向处理捕获前向（h_fw）与后向（h_bw）空间状态，对左右眼、前后视网膜空间变化全面建模。
    • 拼接、Dropout（优化泛化能力）、自适应最大池化（Adaptive Max Pooling，AMP）后形成统一空间表示，最后通过全连接层（FC）及Sigmoid激活输出两类（青光眼/正常）概率分布。
  • 损失函数设计：为克服类别不平衡，提出应用Focal Loss损失函数，有效提升对“难分类”样本的关注度，减弱多数类支配效应。

d) 模型训练与超参数优化

  • 训练方法：全套模型基于PyTorch 1.8.1搭建，采用Adam优化器，总训练周期100轮，早停机制防止过拟合。
  • 超参数探索：试验多组GRU隐藏层尺寸及Dropout率，并系统分析Focal Loss参数α与γ的影响，最终选择GRU隐藏层分别为256与128，Dropout率0.3，α=0.3、γ=2为最优配置。
  • 验证模式：采用5折交叉验证，确保模型性能的稳健性，训练/验证/测试均按患者分组，避免同一患者多次采样带来干扰。

e) 对比实验与消融分析

  • 对比基线方法：
    • 3D-CNN（即Maetschke等人方法[21]）：直接处理3D OCT体积，代表传统卷积神经网络处理方案。
    • RetFound扩展模型：仅用RetFound ViT-large特征提取器处理2D切片，结果通过两层FC分类。
  • 消融实验思路：
    • 替换ViT-large为ResNet34特征提取器，比对预训练领域影响；
    • 替换GRU为LSTM，分析序列建模方式差异；
    • 采用切片投票集成方法，仅分析几个熵值高的切片特征，评估空间整合的必要性。
    • 利用t-SNE可视化特征分布，展示不同特征提取与序列建模策略的区分类能力。

2. 主要实验结果

a) 核心模型性能

  • 准确率（Accuracy）：达89.19%，显著优于3D-CNN（77.62%）和RetFound扩展模型（83.51%）。
  • F1分数：93.01%，体现模型对两类样本的平衡判别能力。
  • AUC（ROC曲线下面积）：94.20%，凸显模型对青光眼与正常全面区分优势。
  • MCC（马修斯相关系数）：69.33%，指标对类别不均衡情形尤具可信性。
  • 敏感性（Sensitivity）/特异性（Specificity）：分别为91.83%和79.67%，兼顾检出率和误判率控制。
  • 置信区间：5折交叉验证结果波动小，表现可靠性高。

b) 消融分析与可视化

  • ViT-large优于ResNet34：后者系泛化的ImageNet预训练，青光眼区分能力显著低于专用OCT-预训练ViT-large模型。
  • GRU优于LSTM：两者均可有效处理序列，GRU稳定性与参数量更优，适合本框架深层空间建模。
  • 空间整合必不可少：切片投票集成虽可提升部分局部特征表达，但整体准确性和鲁棒性远逊于依赖序列整合的Transformer-GRU框架。
  • t-SNE可视化：ViT-large特征在青光眼与正常分布上更为紧凑清晰；完整Transformer-GRU特征空间区分力最强，有助于自动筛查临床可用性。

c) 组件贡献探究

  • 消融实验明确证明了特征提取（领域自监督预训练）、空间整合（双向序列捕获）、损失函数（Focal Loss应对类别不平衡）等核心组件对模型性能提升的决定性作用。

四、结论与价值分析

1. 科学价值

本研究创新性地提出空间感知的Transformer-GRU框架，用于3D OCT影像青光眼自动诊断。其显著提升了对局部微观变化和全局结构关联的整合能力，突破了传统2D/3D卷积方法局限。采用OCT自监督预训练ViT-large与空间序列GRU深度融合，有效提取病变分布的复杂模式，为AI辅助眼科疾病诊断树立了新范式。

2. 临床与应用价值

3. 方法与流程亮点

  • **ViT-large自监督预训练模型首次大规模应用于OCT影像，对复杂病灶模式捕捉远胜传统卷积网络。
  • **创新双向GRU序列空间依赖建模，充分捕获视网膜前后及内外结构的交互信息。
  • **Focal Loss针对医学影像分类常见的不均衡样本高效改良，优化了模型在现实场景下对稀有病例的检出能力。
  • **完整消融分析、对比多个基线模型，充分厘清各技术贡献，为后续相关研究提供科学依据。

4. 未来展望与建议

作者提出未来可进一步引入多模态数据（如视觉场检测、患者人口学信息），丰富诊断依据；可尝试更多序列处理策略及注意力机制以进一步提升性能；并鼓励医学生物信息学领域拓展本框架至其他眼科疾病（如黄斑变性、糖尿病视网膜病变）甚至更多器官医学影像分析。

同时，为临床实际部署，建议进一步开展多中心、大样本、跨地区临床验证，强化模型泛化与安全性，使AI辅助诊断真正造福全球眼科患者。

五、重要参考信息与其他内容

  • 本研究引用大量当前国际先进论文成果（详见文末参考文献），涵盖青光眼病理机制、OCT影像分析、深度学习方法等多个维度，整体视野宽广、逻辑严谨。
  • 数据集、算法、源代码均对外开放，支持科研界、临床界共同提升AI眼科诊断水平。
  • 作者强调算法实际部署需考虑不同性别、种族、人口特征，呼吁构建多样性强健的医学AI应用基础。