《EPMA Journal》：Validated semi-supervised early and accurate screening for anterior segment diseases: a 3PM-guided conceptual and technological innovation
編輯推薦：
本研究針對眼前節疾病早期篩查的臨床挑戰，開發了一種整合類別控制嵌入(CCE)和分布外檢測融合分類器(ODDFC)的半監督目標檢測(SSOD)系統。通過對7230張裂隙燈圖像的分析表明，該系統在單病灶檢測中達到mAP=0.729，多病灶檢測mAP=0.538，其召回率(0.893)顯著優于YOLOv8(0.656)，臨床評估得分(2.430/3)接近初級眼科醫生水平。該研究為實施預測性、預防性與個性化醫療(3PM)提供了可靠的技術支撐，有望推動眼前節疾病篩查從被動診療向主動預防的范式轉變。
在全球視覺損傷的疾病譜中，眼前節疾病始終是導致視力喪失的主要原因。白內障作為致盲首因，角膜疾病更是造成約1200萬人視力損傷的元兇。盡管裂隙燈成像作為眼前節評估的基礎工具具有普適性優勢，但其診斷效能高度依賴醫師經驗，存在觀察者間差異大、可擴展性有限等瓶頸，難以滿足大規模人群篩查的需求。在預測性、預防性與個性化醫療（3PM）理念指導下，如何實現眼前節疾病的早期精準識別、風險分層和個體化干預，成為眼科領域亟待突破的關鍵問題。
浙江大學醫學院附屬第二醫院團隊在《EPMA Journal》發表的最新研究，開創性地將半監督目標檢測（SSOD）技術應用于眼前節疾病篩查。該研究通過構建覆蓋12種常見病變的裂隙燈圖像數據庫，開發了融合類別控制嵌入（CCE）和分布外檢測融合分類器（ODDFC）的智能診斷系統，在實現多病灶同步檢測的同時，顯著降低了對標注數據的依賴，為推進3PM理念在眼科臨床的落地提供了技術支撐。
關鍵技術方法主要包括：收集2016年11月至2024年7月期間3302患者的7230張裂隙燈圖像，按解剖部位劃分為12類病變；采用均值教師（Mean-Teacher）框架，集成CCE模塊通過動態前景信息庫平衡類別分布，ODDFC模塊通過自適應閾值機制識別未知病變；使用ResNet-50 backbone、FPN neck和FCOS檢測頭構建網絡架構；通過定量指標（AP、召回率）和臨床評估（診斷準確度、病變完整性、定位精度）多維度驗證模型性能。
研究結果
模型性能定量評估
在單病灶檢測任務中，SSOD_1（將眼外傷設為未知類別）展現出全面優勢：整體mAP達0.729，召回率0.893，顯著超越YOLOv8的0.656召回率。特別在白內障、晶狀體脫位、角膜炎等致盲性病變檢測中，mAP提升至0.785。多病灶檢測場景下，SSOD_1保持0.538的mAP水平，而召回率(0.679)較YOLOv8(0.477)提升42.3%，證明其對復雜臨床病例的檢測穩定性。
臨床實用價值驗證
通過診斷準確度、病變完整性和定位精度三項臨床指標評估，SSOD_1在單病灶圖像獲得2.430/3的綜合評分，多病灶場景下達1.942/3。與眼科醫師的對比顯示，其多病灶檢測能力已接近初級醫師水平（2.088 vs 2.160），而在白內障、翼狀胬肉等關鍵病變檢測中，甚至表現出優于人工診斷的敏感性。
算法創新優勢分析
CCE模塊通過合成樣本平衡機制，有效緩解了角膜斑翳等罕見病變的檢測偏差；ODDFC模塊則使系統對未知病變的識別準確率提升23.6%。這種雙模塊協同設計，解決了傳統半監督方法在醫學圖像中面臨的類別不平衡和開放集識別兩大核心難題。
結論與展望
該研究實現的SSOD系統，首次在單一框架內整合了多病變檢測、病灶定位和未知病變識別功能。其半監督特性將標注數據需求降低至傳統方法的31%，而CCE與ODDFC模塊的嵌入，使系統在保持高敏感度（召回率0.893）的同時，具備臨床實用的病變定位能力。這些特性使其特別適合在基層醫療場景中開展大規模篩查，真正實現3PM倡導的“預測在前、預防為主、個性化干預”的診療理念。
研究局限性主要體現在多病灶檢測性能仍有優化空間，且對彌漫性病變（如結膜下出血）的檢測精度有待提升。未來工作將聚焦三方面：擴展病變譜系覆蓋、推進多中心外部驗證、探索與大型語言模型的集成應用。這項技術為眼前節疾病的早期預警提供了創新工具，通過AI賦能實現從被動診療到主動健康的模式轉變，有望顯著降低可避免性視力損傷的疾病負擔。
