因果视网膜图：糖尿病视网膜病变的跨队列视网膜支持与同受试者通路分析

糖尿病视网膜病变（DR）是一个局部的视网膜病变过程，也是系统性微血管损伤的可见表现。现代视网膜人工智能能够准确地对图像进行分级，但往往无法回答局部病变证据、视网膜血管结构和系统性疾病通路之间如何关联的问题。本文介绍了\emph{Causal-RetiGraph}，一个紧凑的生物医学信息学框架，它将视网膜图表型与基于NHANES的通路建模联系起来。视网膜图像分支通过空间$X_{12}$和雅可比$X_{34}$分支，从血管图、病变证据、图像嵌入和AutoMorph生物标志物构建了一个可解释的$X1234$表型。NHANES分支则对系统性暴露、协变量、同受试者视网膜中介家族$R^*$以及下游结局家族进行建模。$X1234$用于视网膜支持和通路优先级排序，而$R^*$用于受试者水平的通路总结。在视网膜分支上，$X1234$实现了0.9055的二元DR准确率和0.9711的AUROC，分级DR的QWK为0.8312。结果表明，在数据稀缺和不平衡的情况下，病变和生物标志物流改善了上下文视网膜表示。在NHANES中，HbA1c、尿白蛋白、脉压、空腹血糖和收缩压是最强的二元DR锚点。受试者水平的通路分析确定糖-肾和糖-血流动力学通路是最清晰的中介样信号。这些结果表明，视网膜图表型有助于在DR中优先排序系统性通路，同时保留图像来源支持与同受试者中介之间的区别。