(1) 摘要：

该研究提出RetExpert测试时临床自适应框架，用于增强眼科基础模型对彩色眼底照片的多病检测能力。框架整合自适应知识单元、随机单热激活、长尾感知学习、不确定性感知多标签学习、疾病共现矩阵和轻量测试时适应，以应对数据不平衡、多标签不确定性、疾病间混淆和域偏移。

(2) 研究背景：

眼底病是全球视力损害的重要原因，真实场景常存在多种疾病共存。传统人工智能多依赖大规模精细标注，多模型集成复杂，单模型跨中心泛化有限。眼科基础模型提供新思路，但在多病检测中仍受长尾分布、疾病间混淆和测试域差异限制。

(3) 主要内容：

RetExpert以眼科基础模型的知识单元为骨架，插入轻量适配器并冻结主干；随机单热激活模块将中间知识单元特征与最终知识单元对齐，提升泛化。长尾感知损失处理稀疏多标签；不确定性感知模块为每个疾病分类头单独估计置信度；疾病共现矩阵作为医学先验约束疾病关系，并提出混淆评分评估疾病间混淆。测试时采用无监督与伪监督结合的自适应策略，仅更新适配器、归一化层和任务头，不进行全模型重训，也不跨样本累积参数。

(4) 研究设计：

在两个多病眼底数据集上开发模型，并在多个公共和私有未见数据集上验证，涵盖人群和设备域偏移。与非基础模型、RETFound、FLAIR、VisionFM及多种测试时适应方法比较，采用F1、Kappa、混淆评分、AUROC和AUPRC等指标；通过消融分析评价微调策略、随机单热激活、不确定性模块、共现矩阵和测试时适应阶段及批大小影响。

(5) 结果：

RetExpert在多病内部数据集上总体优于非基础模型和眼科基础模型；随机单热激活与不确定性模块单独及联合均带来提升，多值不确定性优于单值估计；共现矩阵降低多对疾病混淆评分且不损整体性能。双向域偏移下，测试时适应优于基线适应方法，单图批处理也可改善。多个未见数据集上总体表现较好；部分任务AUROC与RETFound差异不显著，但其他可靠性指标具优势；手持低分辨率图像仍有局限。

(6) 思路延伸：

性能依赖基础模型能力；当前需图形处理器推理，边缘设备实时性受限；系统非持续学习，不增量积累新数据知识；测试时参数控制、可重复性和监管风险仍需研究。未来可优化基础模型适配、轻量推理、持续学习和测试时参数约束，并在多中心真实场景中系统验证。

提供各种材料设计（包括高创新性方案设计、制备、表征、体内外验证（细胞/动物实验）等全流程服务）：博后团队（持有多篇一区高分大作）满足您各种刁钻疑难需求，包括 水凝胶 /药物递送/纳米材料/高分子/脂质体/微针给药等，可课题设计/国自然申请/发AFM、SCI、AM等一二区高分文章等，欢迎咨询👇️
17768014569（高工）
17761925168（张工）
18013729810（杨工）