利用基于 Transformer 的序列建模技术，挖掘纵向医学成像在眼部疾病预后中的潜力
内容提要
本文介绍了基于深度学习和自监督学习的眼科疾病预测与检测方法，包括青光眼、糖尿病视网膜病变和阿尔茨海默病。研究表明，采用变压器架构的模型和创新训练框架显著提高了疾病预测的准确性，实验结果AUC值高达98.6%。这些方法为眼科疾病的早期诊断和个性化治疗提供了新可能性。
延伸解读
纵向影像建模的技术挑战与创新
文章指出，纵向医学影像常面临不规则采样、类别不平衡等问题。MST-former通过时间距离矩阵非线性缩放时间注意力，并采用温度控制的平衡Softmax交叉熵损失，有效应对这些挑战。这些设计使其在青光眼预测中AUC达98.6%，并在阿尔茨海默病预测中准确率达90.3%，展示了针对时序数据定制模型的重要性。
自监督学习在疾病进展建模中的价值
针对糖尿病视网膜病变等进展性疾病，文章强调自监督学习能利用无标签纵向数据学习疾病动态。例如，纵向自监督学习（LSSL）方法从连续眼底图像中建模DR进程，提升了早期变化检测效果；基于Transformer的纵向遮蔽自编码器（MAE）通过时间感知位置嵌入和疾病进展感知遮蔽策略，显著提高了分类模型的预测能力。
多标签分类与个体化风险预测的应用
文章提出多标签分类系统用于检测多种视网膜疾病，在MuReD数据集上AUC分数较同类方法分别提升7.9%和8.1%。此外，一种新型算法能自动预测中间期黄斑部病变眼未来6个月内转化为nAMD的风险，有助于及时治疗和个体化AMD管理。这些进展表明，深度学习正推动眼科疾病管理向自动化、精准化方向发展。
Q&A
青光眼的预测方法是什么？
青光眼的预测采用基于变压器架构的多尺度时空变换网络 (MST-former)，AUC 值达到 98.6%。
阿尔茨海默病的预测准确率如何？
阿尔茨海默病的预测准确率为 90.3%，优于对比方法。
如何利用自监督学习方法检测糖尿病视网膜病变？
使用纵向自监督学习方法建模糖尿病视网膜病变的进程，取得更好的检测效果。
新提出的多标签分类系统有什么优势？
新颖的多标签分类系统在疾病检测和分类方面的 AUC 分数分别提高了 7.9% 和 8.1%。
纵向混合训练框架的作用是什么？
纵向混合训练框架结合纵向成像和神经常微分方程，用于检测和预测糖尿病视网膜病变的进展。
自监督学习在医学图像中的应用效果如何？
基于自监督学习的预训练策略显著提高了深度分类模型的预测能力。
