[论文解读] Machine Learning for Cataract Classification and Grading on Ophthalmic Imaging Modalities: A Survey

Xiaoqing Zhang, Yan Hu+4 more|arXiv (Cornell University)|Dec 9, 2020

Retinal Imaging and Analysis参考文献 138被引用 11

一句话总结

本综述系统性地回顾了利用眼科影像进行自动白内障分类与分级的机器学习技术，涵盖传统机器学习与深度学习方法。文章识别了关键挑战，评估了不同模态下的性能表现，并提出了未来研究方向，包括开放数据集、可解释性以及适用于全球筛查的轻量化模型。

ABSTRACT

Cataracts are the leading cause of visual impairment and blindness globally. Over the years, researchers have achieved significant progress in developing state-of-the-art machine learning techniques for automatic cataract classification and grading, aiming to prevent cataracts early and improve clinicians' diagnosis efficiency. This survey provides a comprehensive survey of recent advances in machine learning techniques for cataract classification/grading based on ophthalmic images. We summarize existing literature from two research directions: conventional machine learning methods and deep learning methods. This survey also provides insights into existing works of both merits and limitations. In addition, we discuss several challenges of automatic cataract classification/grading based on machine learning techniques and present possible solutions to these challenges for future research.

研究动机与目标

• 提供关于利用眼科影像进行自动白内障分类与分级的机器学习技术的全面综述。
• 比较传统机器学习与深度学习方法在白内障诊断中的性能与局限性。
• 识别医学机器学习在白内障领域中的关键挑战，如数据稀缺性、模型泛化能力与可解释性。
• 提出未来研究方向，包括开放获取数据集、标准化基线以及适用于低资源环境的轻量化模型。
• 通过提升模型的可解释性与在多样化眼病任务中的鲁棒性，增强其临床适用性。

提出的方法

• 使用 Web of Science、Scopus 和 Google Scholar 进行系统性文献回顾，收集基于机器学习的白内障分类/分级研究。
• 将方法分类为传统机器学习（特征提取 + 分类）与深度学习（端到端表征学习）。
• 分析特征提取技术，包括灰度共生矩阵（GLCM）、Gabor 小波、词袋模型（BOF）和离散余弦变换（DCT），以及分类模型如支持向量机（SVM）、随机森林（RF）和 K 最近邻（KNN）。
• 评估卷积神经网络（CNN）、注意力机制网络（如 CBAM、ECA）、Faster R-CNN 和多层感知机（MLP）等深度学习架构在白内障严重程度预测中的表现。
• 整合眼科专家的临床见解，以验证临床相关性与框架设计的合理性。
• 采用标准评估指标（如准确率、AUC、敏感度与特异度）在多种眼科影像模态下对方法进行基准测试。

实验结果

研究问题

• RQ1 在不同眼科影像模态中，白内障分类与分级的主流机器学习技术有哪些？
• RQ2 传统机器学习与深度学习方法在白内障诊断中的性能、可解释性与泛化能力方面如何比较？
• RQ3 当前基于机器学习的白内障分类系统存在的主要局限与挑战是什么，特别是在数据可得性与模型鲁棒性方面？
• RQ4 如何提升模型在不同眼病与影像领域间的泛化能力？
• RQ5 在低资源环境下，基于机器学习的白内障筛查未来研究中最具前景的方向是什么？

主要发现

• 深度学习模型，尤其是基于注意力机制的卷积神经网络（CNN），通过端到端特征学习，在白内障分级准确率方面优于传统方法。
• 传统方法如 GLCM 和 BOF 依然具有相关性，但受限于人工设计的特征与对图像质量的敏感性。
• 仅有少数研究（如 Zhang et al. (2022b)）验证了模型在如老年性黄斑变性（AMD）等其他疾病上的泛化能力，凸显了重大研究空白。
• 公开的白内障影像数据集稀缺，限制了可复现性与基准测试，阻碍了模型开发的进展。
• 轻量化深度学习模型在低资源环境中的部署展现出潜力，可在准确率与计算效率之间实现良好平衡。
• 尽管临床采纳与自动化诊断中的信任度高度依赖可解释性，但当前深度学习模型的可解释性仍发展不足。