青光眼检测CNN的跨数据集泛化：操作阈值、多源训练与颜色归一化的影响

用于青光眼检测的深度学习模型通常在与训练集相同的数据集图像上进行测试。这几乎无法说明它们在一家新医院或使用一台新相机时会表现如何。我们在三个公开眼底数据集（ACRIMA、ORIGA、RIM-ONE DL）之一上，以完全相同的设置对五个经 ImageNet 预训练的 CNN（ResNet50、DenseNet121、MobileNetV2、EfficientNet-B0、InceptionV3）进行了微调。每个模型都在其自身数据集的留出部分以及另外两个数据集的全部图像上进行了测试。我们使用了三个随机种子，并报告跨种子的均值和标准差。域内平均 AUC 为 0.913，跨源 AUC 为 0.702，下降了 0.211（标准差 0.030；95% CI 0.135 至 0.286）。经多重比较校正后，我们没有发现任何证据表明某种架构表现更好，不过三个种子的统计功效较低。在源验证数据上设定的阈值下，特异度从 0.870 降至 0.506，敏感度从 0.831 降至 0.726。在 10% 的目标图像上重新设定阈值后，特异度升至 0.670，但敏感度降至 0.609，平衡准确率仅从 0.616 升至 0.639。在两个源上联合训练没有帮助（留出 AUC 0.695 对 0.702）。LAB 参考归一化（跨源 AUC 0.755）和强颜色增强（0.754）带来了相似的增益，将下降幅度削减至约 0.16。Ben Graham 归一化（0.733）和 CLAHE（0.712）帮助较小，gray-world（0.696）没有帮助。两种最佳方法提高了特异度，但降低了敏感度。在仅用于测试的 G1020 上，AUC 在所有条件下都保持在 0.5 附近，而在 G1020 内部训练的网络的性能也接近随机水平。强域内结果并不能表明青光眼模型在新数据上会有效。归一化和颜色增强能减小下降幅度，但不能消除它。研究应报告外部验证并检查操作阈值，而不仅仅是 AUC。

中文由 AI 翻译，仅供参考，以原文为准。