轻量级 HSIC 解缠因果性 Glaucoma 检测模型框架
计算机视觉与模式识别
2025-12-03 v1 人工智能
摘要
作为一种典型的视网膜退行性疾病，青光眼因其不可逆性和对人类视野的严重影响，已是数百万人的眼部健康威胁。其主要表现为视力暗淡、模糊或周围视力丧失，青光眼已知是由于视网膜前列腺术后对视神经损伤，或由视网膜内皮质化引起。传统方法主要通过视神经损伤检测来诊断，这些方法利用视野测试、视神经颈膜检查和计量针测量的颅内压（IOP）。近年来，随着 VGG16 或视觉转换器（ViT）等计算机视觉 AI 模型的发展，基于视网膜底图或 OCT 的 AI 自动化青光眼检测和视盘袖分割显示出显著性能，显著辅助传统诊断。然而，当前 AI 驱动的青光眼检测方法在可靠性、参数使用过度、检测中可能存在的伪相关性以及在干预分析或临床模拟中的应用限制方面仍有很大提升空间。因此，本研究提出了一种以因果表示为驱动的青光眼检测模型：LightHCG，即一种极轻量级基于卷积变分自编码器的潜在青光眼表示模型，可考虑视网膜区域内青光眼相关物理因素之间的真实因果关系。通过基于 HSIC 的潜在空间解缠和基于图自编码器的无监督因果表示学习，LightHCG 不仅在分类青光眼时表现出更高性能（仅需 93~99% 的参数），还能提升 AI 驱动的干预分析可能性，相较于 InceptionV3、MobileNetV2 或 VGG16 等现有先进视觉模型。
引用
@article{arxiv.2512.02437,
title = {LightHCG: a Lightweight yet powerful HSIC Disentanglement based Causal Glaucoma Detection Model framework},
author = {Daeyoung Kim},
journal= {arXiv preprint arXiv:2512.02437},
year = {2025}
}