五种视网膜疾病，会"各司其职"的专家：稀疏专家混合模型在眼底照片上揭示了什么

Nagur Shareef Shaik 及其同事提出了一种不对所有眼底图像都执行相同计算的架构：一个"稀疏"路由机制会根据存在的病变，把每张照片送往一个专门的子网络——一个"专家"，其前端还有一个由病灶引导的注意力模块。在一个五分类数据集（健康眼、糖尿病视网膜病变、AMD、视网膜前膜、青光眼）上，采用按患者不重叠的交叉验证进行评估，模型取得了 0.912 的宏平均 AUC 和 0.653 的宏平均 F1；更重要的是，它的各个专家确实按疾病实现了专门化（p < 0.001）。这在可解释性上是一项优雅的贡献，但亮眼的 AUC 与平平的 F1 之间的落差，以及缺乏外部验证，都提醒我们：一个精巧的机制还算不上一个筛查工具。

背景

眼底照相是一项常见且低成本的检查：几秒钟内即可拍下视网膜、视神经和血管的彩色图像。它是人体少数能够直接观察血管和神经组织的部位之一，因此成为自动化筛查的沃土——糖尿病视网膜病变便是最成熟的例子。

问题在于：在现实中，同一只眼睛往往同时患有多种病变。一位年长的糖尿病患者可能同时表现出糖尿病视网膜病变、年龄相关性黄斑变性（AMD）以及早期青光眼。然而，大多数深度学习分类器对每一张图像都执行完全相同的计算，无论其内容如何：一个被期望"包办一切"的单一"整体式"网络。这种一刀切与现实格格不入——AMD 的体征（黄斑中央的沉积物）与青光眼（视神经的凹陷）或视网膜前膜（视网膜表面一层薄薄的纤维膜）的体征毫无相似之处。

专家混合模型（Mixture-of-Experts，MoE）的思路正是针对这一点：不再使用单一网络，而是训练多个"专家"，再由一个路由模块为每张图像决定激活哪些专家。当路由是稀疏（sparse）的时候，对某张给定图像只有一小部分专家参与工作：既提升了容量和专门化，又无需每次都付出运行整个网络的计算代价。这套机制在大语言模型中已很流行，本文将其引入视网膜筛查——并与该团队此前的工作 Guided Context Gating（一个学会聚焦图像显著病灶的注意力模块）相结合。

方法

该架构串联两个模块。在输入端是 Guided Context Gating（GCG）：一种空间注意力机制，按相关性对图像各区域加权——它在某种意义上学会了"该往哪里看"，突出病变区域而非视网膜均匀的背景。经此过滤的表示被切分为 token（特征令牌，相当于被编码的小图像块），再送入 Mixture-of-Experts 模块。

在那里，一个路由网络（gating network）把每个 token 分配给一小部分专家——这就是稀疏条件计算：在网络中所走的路径取决于图像内容。作者的假设是，如果训练顺利，不同专家最终应当专门化于不同病变，从而为模型"看到了什么"提供一种可解释的读法。

评估涵盖五个类别：健康眼、糖尿病视网膜病变、AMD、视网膜前膜和青光眼。采用按患者不重叠的五折交叉验证（5-fold）：把数据分成五份，用其中四份训练、第五份测试，如此轮换——而且关键在于，同一位患者的图像绝不会同时出现在训练集和测试集中。这个细节很重要：把同一患者的双眼混入训练与测试，是一种典型的数据泄漏（data leakage），会人为抬高分数。本文对此做了防范。

报告了两项指标。AUC（ROC 曲线下面积）衡量模型把一个阳性样本排在阴性样本之上的能力；0.5 为随机，1.0 为完美。F1 综合了精确率（在被标记的样本中有多少是正确的）与召回率（在真正的病例中有多少被找出）。前缀宏（macro）意味着对五个类别等权平均：一种罕见病与一种常见病同等重要，这比被多数类主导的整体平均更为严格——也更为诚实。

结果

模型取得了 0.912（± 0.008）的宏平均 AUC 和 0.653（± 0.014）的宏平均 F1。各折之间较小的标准差表明，在不同划分下性能稳定。

然而，核心结果并非这一原始分数，而是专家的专门化：专家分配显著依赖于疾病（p < 0.001，即这种关联在纯粹偶然下极不可能出现）。健康眼以及形态上界限分明的病变——视网膜前膜、AMD——都被分配到了专属的专家。借助 Grad-CAM++（一张显示哪些区域左右了决策的热力图）和 t-SNE（内部表示的二维投影）的可视化证实：路由与局部病灶相吻合，而多种病变并存的病例则位于其各构成成分的簇之间——这正是一个"理解"共病、而非把它强行塞进单一类别的模型所应有的表现。

临床解读须谨慎。0.912 的 AUC 看似出色，但 0.653 的宏平均 F1 讲述了另一个故事：在五个类别上平均后，精确率/召回率的平衡依然平庸，说明至少在某些类别上存在大量错误——很可能是较不常见或更细微的那些，例如早期青光眼。换句话说，在 1000 张被筛查的图像中，该模型能正确归类大多数健康眼和典型病例，却会漏掉或错分相当一部分不显眼的病变。摘要没有提供各类别的细分，因而无法准确说出究竟哪些类别受影响——这本身就是一处不足。

好的方面

可解释性根植于结构，而非事后拼接。许多工作在流程末端加上一张显著性图，来"解释"一个依旧不透明的网络。而这里，可解释性是构造性的：向专家的路由本身就是一种内部机制，且其对疾病的依赖已在统计上得到确立（p < 0.001）。这是一个可度量的解释，而非一幅插图。

认真对待共病。把视网膜病变视为互斥，是一种省事却错误的简化。通过 t-SNE 展示混合病例位于其构成成分之间，是对一只眼睛多病共存这一现实的具体刻画，而这恰是大多数分类器所抹平的。

规范的实验卫生。按患者不重叠的五折验证，避开了按患者的数据泄漏陷阱——这类陷阱在影像文献中制造出许多惊人却虚幻的 AUC。这算不上壮举，但这种严谨值得肯定，因为它太常被忽视。

不足之处

没有外部验证。一切都建立在内部交叉验证之上，只在单一的五分类数据集上进行。对于在其他拍摄设备、其他人群、其他国家上的表现，我们一无所知。这正是典型的人群偏倚：一个在单一分布上标定的模型，往往一旦更换相机或人群构成便会崩塌。没有外部队列，0.912 的 AUC 对泛化能力什么也说明不了。

AUC 与 F1 之间的巨大落差，以及会掩盖问题的聚合数字。看到 0.912 的 AUC 便欢欣，就会落入误导性指标的陷阱。在类别不平衡的多分类任务上，AUC 可以居高不下，而更贴近实际使用的 F1 却停留在中游。而且只报告聚合的宏分数，会掩盖模型究竟漏掉了哪些病变。对筛查而言，知道早期青光眼会被漏掉绝非小事：这才是决定性的信息，而它恰恰缺席了。

可解释不等于正确。一个会专门化的路由和几张漂亮的 Grad-CAM++ 图，并不能证明模型依赖的是真正的病理信号。显著性图以脆弱著称，而一个"专司 AMD"的专家，完全可能捕捉到的是与 AMD 相关的数据集伪影——这就是捷径学习（shortcut learning），模型学到的是一条寄生的捷径，而非疾病本身。路由与病灶之间表面上的一致令人鼓舞，但它并不能替代针对这一失效模式的核查。此外，可复现性上还有一片阴影：数据集的规模与来源、以及代码是否公开，在现阶段都尚未明确。

它改变了什么

对研究界而言，本文展示了一个有趣的方向：让专家混合模型不仅是扩展规模的工具，更成为多病筛查中可解释性的手段。把路由分析当作"模型究竟学到了什么"的诊断工具，是一个可以超越视网膜、被复用的想法。这是一项方法学上的贡献，而非临床突破。

对临床医生而言，眼下的影响为零。这是一个仅经内部验证的原型，没有外部队列，没有真实条件下的前瞻性评估，也没有监管身份。视网膜筛查工具在实践中早已存在——尤其是针对糖尿病视网膜病变——但这项工作位于更上游，处于架构概念验证的阶段。正如我们此前解读过的其他视网膜影像方法（见我们关于 OCT 中视网膜内层分割的分析），从一个漂亮的分数到临床应用之间，距离依然相当遥远。

对患者和公众而言，其意义在于理念：我们正从"一个模型、一种疾病"的逻辑，走向能够认识到一只眼睛可以同时患有多种问题的系统——这更接近一次就诊的真实情况。但一个基准测试上的结果并不是一台已部署的设备，而人群偏倚的问题——模型在所有人群和所有设备上都能同样有效吗？——依旧完全悬而未决，这在许多影像 AI 中皆是如此（见我们关于 乳腺 X 线摄影中数据集来源特征的解读）。

延伸阅读

预印本：Nagur Shareef Shaik 等，Disentangling Co-Occurring Retinal Pathologies with Saliency-Guided Sparse Expert Routing，arXiv:2608.09752（2026）。此处复用的注意力模块，见该团队此前的工作 Guided Context Gating（arXiv:2406.13126）。关于医学影像中隐藏偏倚的背景，见我们的解读 关于在没有元数据的情况下识别弱势亚组。