Fair-Eye Net: A Fair, Trustworthy, Multimodal Integrated Glaucoma Full Chain AI System

📄 arXiv: 2601.18464v1 📥 PDF

作者: Wenbin Wei, Suyuan Yao, Cheng Huang, Xiangyu Gao

分类: cs.CV, cs.AI

发布日期: 2026-01-26

💡 一句话要点

Fair-Eye Net：一个公平、可信的多模态集成青光眼全链AI系统

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 青光眼 多模态融合 公平性 深度学习 眼科 辅助诊断 风险预测

📋 核心要点

  1. 现有青光眼筛查依赖单一测试，存在主观性和碎片化问题，且高质量成像工具和专家知识获取受限。
  2. Fair-Eye Net通过双流异构融合架构整合多模态数据，并采用不确定性感知的分层门控策略。
  3. 实验表明，Fair-Eye Net在AUC、公平性指标和早期风险预警方面均有显著提升，具有临床应用潜力。

📝 摘要（中文）

青光眼是全球不可逆失明的主要原因，早期检测和长期随访对于预防永久性视力丧失至关重要。然而，目前的筛查和进展评估依赖于单一测试或松散连接的检查，引入了主观性和碎片化护理。高质量成像工具和专家知识的有限获取进一步损害了现实应用中的一致性和公平性。为了解决这些差距，我们开发了Fair-Eye Net，一个公平、可靠的多模态AI系统，闭合了从青光眼筛查到随访和风险警报的临床闭环。它通过双流异构融合架构整合了眼底照片、OCT结构指标、VF功能指标和人口统计学因素，并采用不确定性感知的分层门控策略进行选择性预测和安全转诊。公平性约束减少了弱势群体中的漏诊。实验结果表明，它实现了0.912的AUC（96.7%的特异性），将种族假阴性差异降低了73.4%（从12.31%降至3.28%），保持了稳定的跨域性能，并实现了3-12个月的早期风险警报（92%的敏感性，88%的特异性）。与事后公平性调整不同，Fair-Eye Net通过多任务学习将公平性优化作为主要目标，并兼顾临床可靠性，为临床转化和大规模部署以促进全球眼健康公平提供了一条可复制的路径。

🔬 方法详解

问题定义：论文旨在解决青光眼筛查和进展评估中存在的公平性、可靠性和可及性问题。现有方法依赖单一模态数据，导致主观性强、漏诊率高，尤其是在弱势群体中。此外，专家资源的缺乏限制了筛查的覆盖范围和效率。

核心思路：Fair-Eye Net的核心思路是利用多模态数据融合，结合公平性约束和不确定性感知机制，构建一个全面、可靠且公平的青光眼AI辅助诊断系统。通过整合不同模态的信息，可以提高诊断的准确性和鲁棒性，而公平性约束则可以减少弱势群体的漏诊风险。

技术框架：Fair-Eye Net采用双流异构融合架构。一个数据流处理眼底照片，另一个数据流处理OCT结构指标、VF功能指标和人口统计学因素。两个数据流的特征经过融合后，输入到分类器进行青光眼诊断。系统还包含一个不确定性感知模块，用于评估预测结果的置信度，并根据置信度进行选择性预测和安全转诊。

关键创新：Fair-Eye Net的关键创新在于：1) 多模态数据融合，充分利用不同模态的信息互补性；2) 公平性约束，显式地优化模型在不同人群中的表现，减少偏差；3) 不确定性感知机制，提高系统的安全性和可靠性。与现有方法相比，Fair-Eye Net不仅关注诊断的准确性，更关注公平性和安全性。

关键设计：Fair-Eye Net使用了多任务学习框架，同时优化诊断准确性和公平性指标。公平性约束通过在损失函数中添加一个正则化项来实现，该正则化项惩罚模型在不同人群中的表现差异。不确定性感知模块使用Dropout等技术来估计预测结果的置信度。具体网络结构和参数设置在论文中未详细说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Fair-Eye Net在实验中取得了显著成果：AUC达到0.912，特异性为96.7%。更重要的是，该系统将种族假阴性差异降低了73.4%，从12.31%降至3.28%，显著提升了公平性。此外，Fair-Eye Net还实现了3-12个月的早期风险警报，敏感性为92%，特异性为88%，表明其具有良好的预测能力。

🎯 应用场景

Fair-Eye Net可应用于大规模青光眼筛查、远程医疗和临床辅助诊断。该系统能够提高筛查效率，降低漏诊率，尤其是在医疗资源匮乏的地区。通过早期风险预警，可以帮助患者及时接受治疗，延缓病情进展，最终降低失明风险，提升全球眼健康水平。

📄 摘要（原文）

Glaucoma is a top cause of irreversible blindness globally, making early detection and longitudinal follow-up pivotal to preventing permanent vision loss. Current screening and progression assessment, however, rely on single tests or loosely linked examinations, introducing subjectivity and fragmented care. Limited access to high-quality imaging tools and specialist expertise further compromises consistency and equity in real-world use. To address these gaps, we developed Fair-Eye Net, a fair, reliable multimodal AI system closing the clinical loop from glaucoma screening to follow-up and risk alerting. It integrates fundus photos, OCT structural metrics, VF functional indices, and demographic factors via a dual-stream heterogeneous fusion architecture, with an uncertainty-aware hierarchical gating strategy for selective prediction and safe referral. A fairness constraint reduces missed diagnoses in disadvantaged subgroups. Experimental results show it achieved an AUC of 0.912 (96.7% specificity), cut racial false-negativity disparity by 73.4% (12.31% to 3.28%), maintained stable cross-domain performance, and enabled 3-12 months of early risk alerts (92% sensitivity, 88% specificity). Unlike post hoc fairness adjustments, Fair-Eye Net optimizes fairness as a primary goal with clinical reliability via multitask learning, offering a reproducible path for clinical translation and large-scale deployment to advance global eye health equity.