GCVAMD：用于 AMD 风险因素检测与预测的修改 CausalVAE 模型

年龄相关性黄斑变性 (AMD) 是目前最主要的致盲原因之一。尽管开发了抗 VEGF 药物或光动力疗法等治疗手段以减缓 AMD 的退行性进程，但仍不存在特定的疗法来逆转由 AMD 引起的视力损失。因此，对于 AMD，及时检测 AMD 或其风险因素在患者视网膜中的存在至关重要，以减少视力受损的可能性。除了传统方法外，基于深度学习的方法，特别是基于注意力机制的 CNN 和基于 GradCAM 的 XAI 分析在 OCT 扫描中表现出良好的区分 AMD 视网膜与正常视网膜的能力，表明了利用 AI 驱动模型辅助医学诊断和分析的可能性。然而，尽管取得了显著的成功，过去的工作主要关注自身的预测性能，而非 AMD 的病理或底层因果机制，这可能会阻碍对特定因素的干预分析，甚至导致决策更不可靠。因此，本文引入了一种新的因果 AMD 分析模型：GCVAMD，它融合了一种可从原始 OCT 图像中提取潜在因果因素的修改 CausalVAE 方法。通过考虑 AMD 的因果性，GCVAMD 能够实现因果推断，如对主要风险因素：drusen 和 neovascularization 的治疗模拟或干预分析，同时返回可增强下游任务的有信息潜在因果特征。结果表明，通过 GCVAMD，可以在 GCVAMD 潜在空间中识别出 drusen 状态和 neovascularization 状态，这些可以用于从 AMD 检测（分类）到干预分析等各种任务。