迈向可靠的糖尿病视网膜病变筛查

糖尿病视网膜病变（DR）分级要求在显著的获取变异性和跨数据集分布变化下进行可靠的五级严重性评估。我们提出了PRISM-DR，这是一种在梯度分区策略下训练的多目标五级DR分级框架。该架构组织为前馈管道：一个数据驱动的预处理阶段，后接ConvNeXtV2-Base主干，采用Recurrent BiFPN颈部进行多尺度特征融合，频率感知融合模块，一个轻量级多尺度推理变换器，带有梯度隔离路径的双分类头（分类和序数），以及一个用于嵌入正则化的原型记忆模块。CORAL序数头通过专用投影层运行，并与主干梯度隔离；主干由交叉熵、原型对比和视图一致性目标塑造，这些目标通过严重性加权的类别惩罚和分级索引的聚类正则化传递间接的序数信号。模型在多剪切设置中训练，采用为严重失衡的DR数据集设计的分阶段损失课程。在固定源、多目标（FSMT）协议下评估六个数据集，PRISM-DR在EyePACS + DDR训练后，在IDRiD上获得0.835的QWK，在APTOS2019上获得0.865，在Messidor-2上获得0.720，在域内QWK = 0.920和AUC-PR = 0.941的结果，超越了RETFound、RETFound-Green和MedGemma-4B在所有评估数据集上的AUC-PR的表现。针对755个专家注释的病变图像的定量可解释性评估显示出8.0倍的能量比提升和4.4倍的FAF门保持比，确认仅凭分级监督就可以从结构上合理的空间先验中产生，而无需像素级注释。PRISM-DR在可扩展的自动化DR筛查中建立了卓越的准确性-鲁棒性-容量平衡。