人工智能作为科学发现的门户：揭示视网膜眼底图像中的特征

目的：卷积神经网络可被训练以基于视网膜眼底照片检测各种病症或患者特征，其中一些（如患者性别）是人眼专家不可见的。本文提出一种用于眼底图像可解释分类的方法学，以揭示 CNN 成功预测标签的机制。我们以患者性别为案例验证所提方法学。方法：首先，我们使用一组 4746 张眼底图像（含训练、验证和测试划分）在性别分类任务上微调预训练 CNN。接着，我们利用深度学习可解释性工具假设视网膜中性别差异的可能表现方式。我们通过图像分割测量与假设相关的众多视网膜属性，以识别男女性别间显著差异者。为解决多重比较问题，我们在一组区别于微调所用图像的 100 张眼底图像上测试并筛选出参数。最后，我们使用另外 400 张未包含于任何前述集合的图像揭示视网膜中的显著性别差异。结果：我们观察到男性视盘周围区域较女性更暗（$p=.023, d=.243$）。我们还观察到男性具有更丰富的视网膜血管网络：血管图中分支数更多（$p=.016, d=.272$）、节点数更多（$p=.014, d=.299$）、分支总长度更大（$p=.045, d=.206$）。此外，男性视网膜颞上象限血管覆盖面积较女性更大（$p=0.048, d=.194$）。结论：我们的方法学揭示了眼底照片中使 CNN 能够预测当前未知但对专家有意义的特征的视网膜特征。