基于 AS-OCT 影像的白内障的智能诊断方法 及其可解释性研究

白内障是全世界首位致盲性眼病和导致视觉损伤的第二大原因。其临床症状 表现为晶状体区域出现混浊，混浊症状出现和发展严重影响人们的生活质量和视 力健康。及早发现白内障并采用干预措施和治疗方案，能够减缓混浊发展进程或 治愈白内障。近些年，研究人员已在多种眼科影像模态下开展白内障智能诊断（分 类）技术研究，如裂隙灯影像和眼底影像，旨在辅助眼科医生高效精准诊断白内障 和帮助白内障患者改善视力。然而，由于医学成像技术的限制，这些眼科影像模态 不能够清楚地观察晶状体结构中核性区域、皮质区域、囊区域，以及它们之间的边 界，这不利于眼科医生准确地诊断不同的白内障类型（例如核性白内障和皮质性白 内障）并采取合理的治疗方案。眼前节光学相干断层影像（Anterior Segment Optical Coherence Tomography, AS-OCT）能够弥补现有用于白内障诊断的眼科影像模态的 不足，然而，缺乏基于 AS-OCT 影像的白内障智能诊断工作且不清楚 AS-OCT 影 像的临床特征与白内障的相关性。此外，大多数白内障智能诊断方法主要目的是 提升白内障分类性能，鲜有工作关注方法自身在决策过程中的可解释性，从而难 以直接应用于实际临床诊断；并且白内障的混浊信息分布具有区域不对称性且现 有工作很少关注这一问题。 针对上述问题，本文基于 AS-OCT 影像对智能白内障诊断方法及它们在决策 过程中的可解释性展开了深入研究，进而提出多种基于机器学习和神经网络技术 的白内障分类方法有效提升分类效果及增强方法的可解释性研究。

本文完成的主 要工作概况如下：

（1）针对白内障的混浊分布不对称性和 AS-OCT 影像的临床特征与白内障 的相关性不明确问题，首次提出了一个基于全局-局部临床特征的核性白内障智能 分类方法。该方法首先设计了一个全局-局部临床特征提取方法从不同核性区域提 取临床特征，其次，利用皮尔逊相关性系数方法和递归特征消除方法实现特征重 要性分析与特征筛选；最后通过一个集成多分类逻辑回归方法进一步提升白内障 分类结果。与此同时，针对没有基于 AS-OCT 影像的白内障分级系统问题，本文 基于 LOCSIII 分级系统首次将同一个人的裂隙灯影像的核性白内障标签映射为其 AS-OCT 影像的核性白内障标签。在 IMED-AS-OCT-NC1 数据集上表明本文所提 出的方法取得了不错性能，同时通过特征重要性和学习到的权重参数的可视化分 析来增强该方法的可解释性，为后续研究工作打下基础。

（2）针对基于神经网络模型的白内障智能分类方法尚未利用白内障的混浊 分布不对称性信息来提升网络模型的表征能力问题，首次提出了一个区域选择机 制来利用这一临床先验信息去动态地调整不同特征图子区域的相对重要性，从而 引导神经网络模型去关注重要的混浊区域并忽略不重要的混浊区域。该区域选择 机制是一个即插即用模块，可以插入到主流的神经网络模型中并不会明显增加计 算代价。在 IMED-AS-OCT-NC1 数据集和其他两个眼科影像数据集上验证了提出 的机制有效性。本文还对该机制的内部行为进行了可视化，增强其在决策过程的 可解释性，并发现学习到区域注意力权重分布与临床研究统计分布保持较好的一 致性。

（3）针对基于神经网络模型的白内障智能分类方法很少考虑借助白内障的 临床特征使得网络模型在分类效果和可解释性之间达到一个较好的平衡问题，提 出了一个临床特征校准网络模型对 AS-OCT 影像下的白内障进行分类。在该模型 中，设计了一个临床特征校准模块，首先通过临床特征池化从特征图中提取临床 特征表示信息，然后通过临床特征融合实现每个通道的重要性校准。在 IMED-ASOCT-NC2 数据集和其他两个公开数据集上验证了提出的网络模型优于主流方法。 本文还对临床特征表示权重和通道注意力权重及关联性进行可视化，解释了不同 临床特征表示扮演不同重要程度的角色，有助于理解网络模型的决策过程。

（4）针对基于神经网络模型的白内障智能分类方法尚未同时有效利用白内 障的混浊度分布不对称性和临床特征信息问题，提出了一个全局-局部临床特征融 合网络用于白内障分类。该网络模型引入了了一个全局-局部临床特征融合模块， 首先通过区域池化去提取临床区域特征表示信息，然后利用区域特征集成将临床 区域特征表示转化为临床特征表示，最后借助特征图校准调整每个通道的相对重 要性。在四个数据集上实验结果表明提出的方法优于主流方法。本文还从总体-局 部角度对全局-局部临床特征融合模块的内部行为进行了解释，增强了神经网络决 策过程的可理解性。此外，本文首次系统地分析了两种不同数据集拆分方法对 ASOCT 影像下的白内障分类性能的影响，并建议采用基于个体-单眼数据集拆分方法 来评估一个方法的分类结果。

综上所述，本文立足于 AS-OCT 影像，利用白内障的临床先验信息提出了四 种白内障智能诊断方法，去提升白内障分类结果和增强所提出的方法在决策过程 中的可解释性，为面向 AS-OCT 影像的白内障智能诊断技术在临床应用和落地提 供了一个可行的解决方案。

[1] ORGANIZATION W H, et al. World report on vision[M]. World Health Organization, 2019.
[2] BOURNE R R, FLAXMAN S R, BRAITHWAITE T, et al. Magnitude, temporal trends, and projections of the global prevalence of blindness and distance and near vision impairment: a systematic review and meta-analysis[J]. The Lancet Global Health, 2017, 5(9): e888-e897.
[3] PASCOLINI D, MARIOTTI S P. Global estimates of visual impairment: 2010[J]. BritishJournal of Ophthalmology, 2012, 96(5): 614-618.
[4] 十四五”全国眼健康规划 (2021-2025 年)[J]. 中国眼镜科技杂志, 2022, 348(2): 3-9.
[5] 王志强. 白内障之问与答[J]. 人口与健康, 2019, 267(11): 92-94.
[6] ASBELL P A, DUALAN I, MINDEL J, et al. Age-related cataract[J]. The Lancet, 2005, 365(9459): 599-609.
[7] SWENOR B K, EHRLICH J R. Ageing and vision loss: looking to the future[J]. The LancetGlobal Health, 2021, 9(4): e385-e386.
[8] ZHANG Z, SRIVASTAVA R, LIU H, et al. A survey on computer aided diagnosis for oculardiseases[J]. BMC medical informatics and decision making, 2014, 14(1): 80.
[9] LIN H, LIN D, LIU Z, et al. A novel congenital cataract category system based on lens opacitylocations and relevant anterior segment characteristics[J]. Investigative ophthalmology & visualscience, 2016, 57(14): 6389-6395.
[10] LONG E, LIN Z, CHEN J, et al. Monitoring and morphologic classification of pediatric cataractusing slit-lamp-adapted photography[J]. Translational Vision Science & Technology, 2017, 6(6): 2-2.
[11] LAM D, RAO S K, RATRA V, et al. Cataract[J]. Nature reviews Disease primers, 2015, 1(1):1-15.
[12] ANG M J, AFSHARI N A. Cataract and systemic disease: A review[J]. Clinical & experimentalophthalmology, 2021, 49(2): 118-127.
[13] NADERI K, GORMLEY J, O’BRART D. Cataract surgery and dry eye disease: a review[J].European Journal of Ophthalmology, 2020, 30(5): 840-855.
[14] MEDSINGE A, NISCHAL K K. Pediatric cataract: challenges and future directions[J]. ClinicalOphthalmology, 2015: 77-90.
[15] ANG M, BASKARAN M, WERKMEISTER R M, et al. Anterior segment optical coherencetomography[J]. Progress in Retinal and Eye Research, 2018, 66: 132 - 156.
[16] ESTEVA A, ROBICQUET A, RAMSUNDAR B, et al. A guide to deep learning in healthcare[J]. Nature medicine, 2019, 25(1): 24-29.
[17] GUTIERREZ L, LIM J S, FOO L L, et al. Application of artificial intelligence in cataractmanagement: current and future directions[J]. Eye and Vision, 2022, 9(1): 3.
[18] ZAFAR R, SHARIF M, YASMIN M. A survey on the prevalence of cataract and its accompanying risk factors[J]. Current Medical Imaging Reviews, 2018, 14(2): 251-262.
[19] GALI H E, SELLA R, AFSHARI N A. Cataract grading systems: a review of past and present[J]. Current opinion in ophthalmology, 2019, 30(1): 13-18.
[20] GOH J H L, LIM Z W, FANG X, et al. Artificial intelligence for cataract detection and management[J]. The Asia-Pacific Journal of Ophthalmology, 2020, 9(2): 88-95.
[21] ASBELL P A, DUALAN I, MINDEL J, et al. Age-related cataract[J]. The Lancet, 2005, 365(9459): 599-609.
[22] LIU Y C, WILKINS M, KIM T, et al. Cataracts[J]. The Lancet, 2017, 390(10094): 600-612.
[23] TAYLOR A. Nutritional and environmental influences on risk for cataract[M]//Nutritional andenvironmental influences on the eye. CRC Press, 2021: 53-93.
[24] CHEW M, CHIANG P P C, ZHENG Y, et al. The impact of cataract, cataract types, andcataract grades on vision-specific functioning using Rasch analysis[J]. American journal ofOphthalmology, 2012, 154(1): 29-38.
[25] FERCHER A F, LI H C, HITZENBERGER C K. Slit lamp laser Doppler interferometer[J].Lasers in Surgery and Medicine, 1993, 13(4): 447-452.
[26] WALTMAN S R, KAUFMAN H E. A new objective slit lamp fluorophotometer[J]. InvestOphthalmol, 1970, 9(4): 247-249.
[27] PLESCH A, KLINGBEIL U, BILLE J. Digital laser scanning fundus camera[J]. Applied optics,1987, 26(8): 1480-1486.
[28] POMERANTZEFF O, WEBB R H, DELORI F C. Image formation in fundus cameras.[J].Investigative ophthalmology & visual science, 1979, 18(6): 630-637.
[29] HUANG C C, CHEN R, TSUI P H, et al. Measurements of attenuation coefficient for evaluatingthe hardness of a cataract lens by a high-frequency ultrasonic needle transducer[J]. Physics inMedicine & Biology, 2009, 54(19): 5981.
[30] HUANG C C, AMERI H, DEBOER C, et al. Evaluation of lens hardness in cataract surgeryusing high-frequency ultrasonic parameters in vitro[J]. Ultrasound in medicine & biology, 2007,33(10): 1609-1616.
[31] TSUI P H, YEH C K, LIAO Y Y, et al. Ultrasonic Nakagami Imaging: A Strategy to Visualizethe Scatterer Properties of Benign and Malignant Breast Tumors[J]. Ultrasound in Medicine &Biology, 2010, 36(2): 209 - 217.
[32] TSUI P H, HUANG C C, CHANG C C, et al. Feasibility study of using high-frequency ultrasonic Nakagami imaging for characterizing the cataract lens in vitro[J]. Physics in Medicine &Biology, 2007, 52(21): 6413.
[33] TSUI P H, HO M C, TAI D I, et al. Acoustic structure quantification by using ultrasound Nakagami imaging for assessing liver fibrosis[J]. Scientific reports, 2016, 6: 33075.
[34] WERKMEISTER R M, SAPETA S, SCHMIDL D, et al. Ultrahigh-resolution OCT imaging of the human cornea[J]. Biomedical optics express, 2017, 8(2): 1221-1239.