HierarchiRetina：采用异构混合专家病灶分割的糖尿病视网膜病变筛查与分级级联系统

基于摘要分析。该研究面向眼底图像中的糖尿病视网膜病变筛查、病灶分割与严重程度分级，提出具有可检查阶段输出的 HierarchiRetina 级联系统，重点处理病灶异质性、图像可分级性与级联错误传播，而非 EEG 或 BCI 信号建模。 方法上，HSMoE-AUNet 在 U-Net 的跳跃连接、瓶颈和解码器模块中采用稀疏异构混合专家，按病灶配置专家类型、数量与损失；摘要未给出具体配置。血管分割模块 SwinHRUNetPP 采用双编码器和限定于视野范围的损失。分级模块 LG-DRG 将图像可分级性与有序严重程度分开处理，并让病灶掩码通过门控交叉注意力查询图像。端到端评估将筛查漏检计为错误，并追踪错误所属阶段，避免仅在通过前级筛查的图像上报告后级性能。 作者报告，汇总病灶分割 Dice 从微动脉瘤的 0.184 到渗出物的 0.579，血管 Dice 为 0.731；这些分割结果的具体数据划分与汇总方式尚未验证。在来自六个数据集的 58,689 张留出图像上，作者报告端到端二次加权 Kappa 为 0.804，转诊敏感度为 0.832、对应特异度为 0.947，筛查门控造成了 66% 的错误。作者还报告，在全部 4,105 张 DDR 官方测试图像上，六分类 Accuracy 为 85.6%，高于其检索到的最佳已发表六分类结果 83.8%；比较方法与协议一致性仍需全文核对。 关键消融结果是：作者报告即使将交叉注意力门控初始化为开启状态，分级仍未利用病灶掩码。因此，引入病灶分割与注意力结构本身不能据此证明分级具有病灶驱动的解释性。复现应重点核对各阶段数据划分、可分级性定义、专家路由与损失配置、掩码消融方式及错误归因规则；完整实验协议、消融细节与统计信息尚未验证。摘要未提供足以支持 EEG/BCI 迁移的具体机制对应关系，也不能据这些结果推断临床部署有效性。