上海新華醫院趙培泉教授團隊與鷹瞳Airdoc合作研究成果在《Cell》子刊發表

近日，上海交通大学医学院附属新华医院眼科赵培泉教授团队与鹰瞳Airdoc合作的一项研究成果发表于《Cell》子刊《iScience》。研究团队创新提出了一种新的半监督深度学习模型，使用少量标注数据和大量未标注数据来提升模型的分类性能，旨在减少早产儿视网膜病变自动分期所需的数据标注成本。实验证明，该方法能够在大幅减少临床场景下标注需求的同时，达到良好的分类效果。

论文截图

早产儿视网膜病变（Retinopathy of prematurity, ROP）是全球范围内导致婴幼儿失明的主要原因之一，早期发现并及时治疗有助于避免ROP造成的视力损失。

然而，早产儿的眼科检查需要频繁且密切的监测，人工阅片的工作量巨大。另外，有经验的小儿眼科医生短缺，且大部分集中在大城市和大医院，偏远地区的ROP患儿如需转诊必须长途跋涉；与此同时，一些病例由于整体健康状况不佳，可能并不具备转诊资格，导致治疗延误。在这样的背景下，远程医疗和计算机辅助的ROP眼底阅片极具应用价值。

正常眼底照片（A）及不同分期ROP眼底照片（B-F对应1-5期）

近年来，基于深度学习的方法在ROP图像分析领域取得了显著进展，但它们通常需要大量的标注数据以训练和优化模型，而即便是经验丰富的医生，对此类数据进行标注也是既耗时又费力。相反，大量未标注的数据相对更容易获取，且可能同样有利于提升模型的分类性能。

该研究设计了两种一致性正则化策略：预测一致性损失和语义结构一致性损失，这两种损失能够帮助模型从未标注数据中挖掘有用的信息，从而提高分类模型的泛化性能。

研究人员采用这一方法，使用30%（1438张）已标注的眼底图像及70%（3358张）未标注的眼底图像训练模型，并与仅使用30%（1438张）已标注眼底图像训练模型“Baseline_0.3”进行对比，实验结果显示，这一方法下的各项模型评估指标如AUC、准确率、敏感性、特异性等平均提升了3%～4%，实现了更优的分类性能。研究人员进一步发现，该方法仅需采用50%标注数据，模型性能就可以接近全监督深度学习模型下采用100%标注数据的模型性能。

不同算法的分类性能对比

从热力图可以看出，模型主要利用 ROP 图像中嵴区域的特征来判断图像属于 ROP 的哪个阶段，这与医生判断 ROP 图像属于哪个阶段的临床经验是一致的。

热力图分析

研究人员表示，ROP的自动筛查和诊断能够帮助医生及时并精准地制定合适的治疗计划，但由于ROP早期症状不明显、图像采集低对比度给医生带来的标注压力，以及患者相对较少等原因，使得获取大量标注数据较为困难，限制了深度学习模型的应用。研究中提出的半监督深度学习框架提升了模型的分类性能，未来该方法不仅仅可以用于ROP分级诊断，还有可能用于其他计算机辅助的医疗图像分析任务，具有广阔的临床应用前景。