GlaBoost：一种用于青光眼风险分层的多模态结构化框架
机器学习
2025-08-07 v1 计算工程、金融与科学
计算机视觉与模式识别
图像与视频处理
摘要
早期和准确检测青光眼至关重要，以防止不可逆的视力丧失。然而，现有方法往往依赖单一模态数据且缺乏可解释性，限制了其临床实用性。本文提出GlaBoost，一种多模态梯度提升框架，集成了结构化临床特征、眼底图像嵌入和专家精选的文本描述，用于青光眼风险预测。GlaBoost使用预训练的卷积编码器从视网膜眼底照片中提取高级视觉表示，并使用基于变压器的语言模型对免费文本视神经环评估进行编码。将这些异构信号与手动评估的风险评分和量化的眼科指标融合到统一的特征空间中，通过增强的XGBoost模型进行分类。在真实世界的注释数据集上进行的实验表明，GlaBoost显著优于基线模型，验证准确率达到98.71%。特征重要性分析揭示了临床上一致的模式，玻璃球-视盘比、视盘淡化以及特定的文本嵌入对模型决策贡献最大。GlaBoost提供了一个透明且可扩展的解决方案，用于可解释的青光眼诊断，可扩展到其他眼科疾病。
引用
@article{arxiv.2508.03750,
title = {GlaBoost: A multimodal Structured Framework for Glaucoma Risk Stratification},
author = {Cheng Huang and Weizheng Xie and Karanjit Kooner and Tsengdar Lee and Jui-Kai Wang and Jia Zhang},
journal= {arXiv preprint arXiv:2508.03750},
year = {2025}
}