糖尿病视网膜病变是导致可预防失明的主要原因，其早期病灶小、对比度低，容易在人工筛查中被忽视。大多数自动检测器采用单一多类别模型处理四种非增殖性DR病灶：微动脉瘤、出血、硬性渗出物和软性渗出物，尽管这些病灶在大小、颜色、形态和流行度上有明显差异，因此共享模型倾向于处理常见且简单的类别，而忽视稀有且复杂的类别。我们提出了PRISM-DR，这是一种特定病灶的管道，为每个病灶训练一个单类别检测器，并为其配置独立参数。
该管道从原始眼底图像开始，应用感兴趣区域裁剪、眼底特定预处理、四个并行YOLO检测器、图像切块、五个交叉验证折叠的病灶级集成，以及通过物理病灶大小和临床优先级而非置信度解决重叠的跨病灶抑制步骤。对于每个病灶，选择五个YOLO生成中的最佳模型，并通过贝叶斯优化调优增强策略。该系统在IDRiD数据集上经过分层五折交叉验证训练，测试时达到mAP50为0.527和F1为0.529，硬性渗出物的AP50最高为0.561。模型在未进行微调的情况下能够很好地迁移到与IDRiD成像规模接近的场景，但随着视场和分辨率的变化而降低。这些相对保守的绝对结果反映了一个小规模单一源训练集和一项困难的任务；然而，将每个病灶视为单独的检测问题是一个实际的替代方案。
博主点评： PRISM-DR通过特定病灶的处理方式，展现了在复杂视觉任务中提升检测性能的潜力。这种方法不仅提升了对稀有病变的检测能力，也为未来医疗影像分析提供了新的思路，值得进一步探索与优化。