本研究由Simon Mueller、Maximilian W. M. Wintergerst、Peyman Falahat、Frank G. Holz、Christian Schaefer、Nadjib Schahab、Robert P. Finger和Thomas Schultz等作者共同完成，分别来自德国波恩大学的计算机科学系、眼科医院以及心脏和血管科。该研究于2022年发表在《Scientific Reports》期刊上，题为“Multiple Instance Learning Detects Peripheral Arterial Disease from High-Resolution Color Fundus Photography”。
外周动脉疾病（Peripheral Arterial Disease, PAD）是一种由动脉粥样硬化（Atherosclerosis）引起的常见老年疾病，可能导致严重的发病率和死亡率。早期诊断PAD非常重要，因为唯一的因果治疗方法是控制风险因素，如吸烟、高胆固醇血症或高血压。然而，现有的诊断技术往往无法检测到PAD的早期阶段。研究者提出，动脉粥样硬化可能在彩色眼底照相（Color Fundus Photography, CFP）图像中可见，并通过卷积神经网络（Convolutional Neural Network, CNN）架构进行检测，从而帮助早期诊断和疾病监测。本研究的目的是探索利用深度学习技术从高分辨率CFP图像中检测PAD的可行性。
本研究分为多个步骤，主要包括数据采集与标注、模型开发与训练、结果分析与验证。
研究在德国波恩大学眼科医院进行，数据集包括135只眼睛的CFP图像，使用Eidon宽视野真彩色共焦眼底成像系统拍摄。每只眼睛拍摄一张120度视角的照片，分辨率为3680×3288像素。所有图像未经进一步预处理，保留了不同的光照条件和旋转角度。数据集按Fontaine分类系统进行标注，分为不同阶段的PAD患者和健康对照组。为了进行统计分析，研究者手动标注了黄斑、视盘、视网膜上下鼻侧和颞侧弓形区域。
研究者开发了一种基于注意力机制的多实例学习（Multiple Instance Learning, MIL）架构，用于处理高分辨率CFP图像。模型将每张图像分割为399×399像素的补丁，每个补丁通过AlexNet CNN转换为特征向量，并通过自动计算的注意力权重确定其相对重要性。MIL模型使用交叉熵损失函数和Adam优化器进行训练，初始学习率为10^-4，并采用了数据增强技术（如翻转、仿射变换、RGB偏移、噪声和剪裁）。为了提高模型性能，研究者还使用了Kaggle挑战赛中的糖尿病视网膜病变检测数据进行预训练。
研究者通过ROC曲线和精确召回曲线评估模型性能，最佳模型的ROC AUC得分为0.890。通过可视化注意力权重，研究者发现网络主要依赖于视盘和颞侧视网膜血管区域进行PAD检测。统计分析进一步证实，视盘和颞侧弓形区域的注意力权重显著高于视网膜背景区域（p < 0.001）。此外，研究者还进行了消融实验，验证了高分辨率图像对模型性能的重要性，发现将图像分辨率降低到299×299像素会显著降低模型性能。
研究结果表明，基于高分辨率CFP图像的MIL模型能够有效区分健康对照组和PAD患者。最佳模型的ROC AUC得分为0.890，精确召回曲线AUC为0.964。注意力权重可视化显示，网络主要依赖于视盘和颞侧视网膜血管区域进行PAD检测。统计分析进一步证实，视盘和颞侧弓形区域的注意力权重显著高于其他区域，支持了视网膜血管结构在PAD检测中的重要性。
本研究展示了利用深度学习技术从高分辨率CFP图像中检测PAD的可行性。研究结果表明，视网膜血管结构的变化可能与系统性心血管疾病有关，支持了通过眼底图像诊断PAD的可能性。消融实验强调了预训练和高分辨率图像对模型性能的重要性。未来的研究可以进一步扩大数据集，并使用更复杂的CNN架构来提高模型的精度和召回率。
研究者还探讨了未来研究的方向，包括扩大数据集和使用更复杂的CNN架构。此外，研究者还讨论了模型的可解释性，强调了注意力权重可视化在理解网络决策过程中的重要性。这些发现为未来的PAD诊断和监测提供了新的思路和方法。