基于前段眼像学的自动糖尿病筛查：深度学习与可解释 AI 方法
计算机视觉与模式识别
2026-03-17 v1
摘要
糖尿病视网膜病变筛查传统依赖视野摄影，需要专业设备和技术，在初级护理和资源受限环境中常不可得。我们开发并验证了一个基于深度学习的系统，用于利用前段眼像学进行糖尿病分类，这是一种易于获取的替代方案，仅需标准摄影设备。该系统利用虹膜、巩膜和结膜中与系统性糖尿病状态相关的可见生物标志物。我们在 2,640 例临床标注的前段眼像学图像上系统评估了五种现代网络结构（带自监督学习的 EfficientNet-V2-S、Vision Transformer、Swin Transformer、ConvNeXt-Base 和 ResNet-50），涵盖正常、受控糖尿病及不控制糖尿病三个类别。实现了针对关键分类的专用预处理流程，结合散点反射消除和对比度受限自适应直方图均衡 (CLAHE)，以增强关键微小血管和纹理模式。基于域特定眼像学图像的 SimCLR 自监督学习显著提升了模型性能。采用 SSL 的 EfficientNet-V2-S 在 F1 分数 98.21%、精确率 97.90%、召回率 98.55% 上取得最佳性能，显著优于仅使用 ImageNet 初始化的 94.63% F1 分数。值得注意的是，模型在正常分类上实现了近乎完美的精确率（100%），这对于最小化不必要的临床 referrals 至关重要。
引用
@article{arxiv.2603.14727,
title = {Automated Diabetic Screening via Anterior Segment Ocular Imaging: A Deep Learning and Explainable AI Approach},
author = {Hasaan Maqsood and Saif Ur Rehman Khan and Sebastian Vollmer and Andreas Dengel and Muhammad Nabeel Asim},
journal= {arXiv preprint arXiv:2603.14727},
year = {2026}
}