oculomix：基于层次抽样的视网膜系统性疾病预测

视网膜学（oculomics）——即通过视网膜成像预测心血管疾病和痴呆等系统性疾病——由于基于 RETFound 等变换器基础模型的数据效率优势而取得了快速进展。图像级混合样本数据增强技术，如 CutMix 和 MixUp，常用于训练变换器，但这些技术仅考虑图像和标签，导致对患者特有的属性（如医学合并症和临床因素）进行扰动。为解决此限制，本文提出了一种基于层次抽样的混合样本增强方法，oculomix。该方法基于两个临床先验条件：首先（exam 级），同一时间点从同一患者获取的图像共享相同的属性；其次（patient 级），不同时间点从同一患者获取的图像呈现软性的时间趋势，因为病情通常随时间增加。基于这些先验条件，我们将混合空间限制在患者和 exam 级别，以更好地保留患者特有的特征，并利用其层次关系。该方法在大型族裔多样化人群（Alzeye）中的 ViT 模型上进行验证，用于预测五年内主要不良心血管事件（MACE）的风险。我们表明，oculomix 在 AUROC 上 consistently 优于图像级的 CutMix 和 MixUp，可提升最高 3%，显示出该方法在视网膜学中的必要性与价值。