眼底图像分类 Benchmark

近视 · Myopic Maculopathy

MMAC 2023

5-class grade 0–4 · 划分 train/val/test = 973/139/279 · 总计 1391 张

📷 采集背景：彩色眼底照（非散瞳）｜FOV：45°（设备标称，论文正文未印）｜设备：Topcon TRC-NW400（单一设备）｜来源：上海健康医学中心 + 上海市第六人民医院（中国，均为中国人群）｜分辨率：未公开｜标注：META-PM 5 级，双医师分级（κ=0.91），单设备单人群为其局限。

类别分布 · Class distribution（按 split）

Split	0·grade_0	1·grade_1	2·grade_2	3·grade_3	4·grade_4	合计
train	339	343	202	50	39	973
val	48	49	29	7	6	139
test	97	98	58	15	11	279
合计	484	490	289	72	56	1391

模型性能 · Performance

Model	Accuracy	Bal-Acc	macro-AUROC	QWK	F1-macro	Prec-macro	Rec-macro	Kappa
RetFound (ViT-L, CFP)	0.8566	0.7423	0.9673	0.9264	0.7602	0.8011	0.7423	0.7967
ResNet-50	0.8244	0.7259	0.9445	0.8789	0.7360	0.7484	0.7259	0.7510
ViT-B/16	0.8244	0.7345	0.9512	0.9052	0.7390	0.7522	0.7345	0.7526

每类指标 · Per-class metrics

Class	Support	RetFound (ViT-L, CFP)			ResNet-50			ViT-B/16
Class	Support	Recall	F1	AUROC	Recall	F1	AUROC	Recall	F1	AUROC
0·grade_0	97	0.918	0.932	0.990	0.866	0.889	0.981	0.928	0.933	0.991
1·grade_1	98	0.878	0.860	0.961	0.857	0.828	0.948	0.806	0.819	0.933
2·grade_2	58	0.862	0.840	0.970	0.828	0.821	0.959	0.793	0.767	0.945
3·grade_3	15	0.600	0.581	0.922	0.533	0.571	0.864	0.600	0.545	0.932
4·grade_4	11	0.455	0.588	0.992	0.545	0.571	0.972	0.545	0.632	0.955

详细图：混淆矩阵 / ROC 曲线

混淆矩阵

ROC

AMD · Age-related Macular Degeneration

ADAM

binary AMD / Non-AMD · 划分 train/val/test = 280/40/80 · 总计 400 张

📷 采集背景：彩色眼底照｜FOV：未标注（仅说明取景中心为视盘 / 黄斑 / 两者中点）｜设备：Zeiss Visucam 500（2124×2056，824 张）+ Canon CR-2（1444×1444，376 张）｜来源：中山眼科中心（中国·广州）｜Training400：89 AMD / 311 非 AMD（AMD 被刻意过采样，非真实患病率）。

类别分布 · Class distribution（按 split）

Split	0·Non-AMD	1·AMD	合计
train	218	62	280
val	31	9	40
test	62	18	80
合计	311	89	400

模型性能 · Performance

Model	Accuracy	AUROC	AUPRC	F1	Sensitivity	Specificity	Kappa	MCC
RetFound (ViT-L, CFP)	0.9250	0.9516	0.9214	0.8925	0.8333	0.9516	0.7849	0.7849
ResNet-50	0.8250	0.9194	0.8160	0.7667	0.7222	0.8548	0.5349	0.5397
ViT-B/16	0.9125	0.9319	0.8854	0.8770	0.8333	0.9355	0.7540	0.7544

数据稀缺性分析 · Data-scarcity experiment

训练数据按类别分层抽样至 100/50/25/10/5%，保持 val/test 完整。PAPILA 随数据量下降最快，最适合作合成数据增广实验。

100% · 280 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.9250	0.9516	0.9214	0.8925	0.8333	0.9516
resnet	0.7375	0.7796	0.5967	0.6837	0.7222	0.7419
vit	0.9125	0.9319	0.8854	0.8770	0.8333	0.9355

50% · 140 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.9250	0.9444	0.9235	0.8925	0.8333	0.9516
resnet	0.8750	0.9247	0.8386	0.7949	0.5556	0.9677
vit	0.8625	0.9005	0.8094	0.8066	0.7222	0.9032

25% · 70 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.8750	0.9211	0.8694	0.8333	0.8333	0.8871
resnet	0.8250	0.8495	0.6601	0.7491	0.6111	0.8871
vit	0.8125	0.8351	0.6521	0.7540	0.7222	0.8387

10% · 28 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.7750	0.8409	0.6266	0.4366	0.0000	1.0000
resnet	0.7750	0.7706	0.5518	0.6894	0.5556	0.8387
vit	0.8000	0.8221	0.6603	0.7012	0.5000	0.8871

5% · 14 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.7750	0.8006	0.5657	0.4366	0.0000	1.0000
resnet	0.8250	0.7841	0.5618	0.6785	0.3333	0.9677
vit	0.7125	0.7661	0.4360	0.6343	0.5556	0.7581

详细图：混淆矩阵 / ROC 曲线

混淆矩阵

ROC

青光眼 · Glaucoma

AIROGS (EyePACS-AIROGS-light)

binary RG / NRG · 划分 train/val/test = 5000/540/1000 · 总计 6540 张

📷 采集背景：彩色眼底照，源自 EyePACS 远程筛查平台（美国约 500 个点、60071 人、多种族）｜设备：多相机混用（Optovue iCam100≈26%、Topcon NW200/400≈20%、Canon CR1/CR2/DGI、Centervue、Nidek、Crystalvue，约 21% 未知）｜FOV / 分辨率：因多设备未统一｜原为糖网筛查图后重标青光眼；全集 RG 仅约 3%（极不平衡），本「light」子集已平衡为 3270/3270。

类别分布 · Class distribution（按 split）

Split	0·NRG	1·RG	合计
train	2500	2500	5000
val	270	270	540
test	500	500	1000
合计	3270	3270	6540

模型性能 · Performance

Model	Accuracy	AUROC	AUPRC	F1	Sensitivity	Specificity	Kappa	MCC
RetFound (ViT-L, CFP)	0.9080	0.9708	0.9715	0.9080	0.8920	0.9240	0.8160	0.8164
ResNet-50	0.9000	0.9614	0.9596	0.9000	0.9080	0.8920	0.8000	0.8001
ViT-B/16	0.9000	0.9600	0.9625	0.9000	0.9060	0.8940	0.8000	0.8001

数据稀缺性分析 · Data-scarcity experiment

训练数据按类别分层抽样至 100/50/25/10/5%，保持 val/test 完整。PAPILA 随数据量下降最快，最适合作合成数据增广实验。

100% · 5000 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.9080	0.9708	0.9715	0.9080	0.8920	0.9240
resnet	0.8980	0.9640	0.9632	0.8980	0.8940	0.9020
vit	0.8730	0.9452	0.9414	0.8730	0.8840	0.8620

50% · 2500 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.8980	0.9645	0.9661	0.8980	0.8960	0.9000
resnet	0.8790	0.9443	0.9392	0.8790	0.8780	0.8800
vit	0.8630	0.9391	0.9395	0.8630	0.8620	0.8640

25% · 1250 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.8810	0.9543	0.9571	0.8810	0.8720	0.8900
resnet	0.8550	0.9391	0.9380	0.8550	0.8520	0.8580
vit	0.8320	0.9150	0.9193	0.8317	0.8740	0.7900

10% · 500 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.8510	0.9329	0.9378	0.8510	0.8400	0.8620
resnet	0.8190	0.8915	0.8784	0.8188	0.7860	0.8520
vit	0.8000	0.8902	0.8907	0.8000	0.8000	0.8000

5% · 250 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.8340	0.9093	0.9212	0.8340	0.8500	0.8180
resnet	0.7740	0.8552	0.8552	0.7738	0.8000	0.7480
vit	0.7660	0.8469	0.8482	0.7660	0.7800	0.7520

详细图：混淆矩阵 / ROC 曲线

混淆矩阵

ROC

PAPILA

binary glaucoma / healthy · 划分 train/val/test = 294/42/84 · 总计 420 张

📷 采集背景：彩色眼底照，以视盘为中心｜FOV：30°｜设备：Topcon TRC-NW400（非散瞳）｜分辨率：2576×1934 JPEG｜来源：Reina Sofía 大学医院（西班牙·Murcia，2018–2020）｜244 人双眼共 488 张（healthy/glaucoma/suspect，本项目已剔除 suspect → 420）｜附临床数据与视盘/视杯分割。

类别分布 · Class distribution（按 split）

Split	0·healthy	1·glaucoma	合计
train	233	61	294
val	32	10	42
test	68	16	84
合计	333	87	420

模型性能 · Performance

Model	Accuracy	AUROC	AUPRC	F1	Sensitivity	Specificity	Kappa	MCC
RetFound (ViT-L, CFP)	0.8333	0.8373	0.6335	0.7419	0.6250	0.8824	0.4842	0.4855
ResNet-50	0.8810	0.7941	0.7048	0.7725	0.5000	0.9706	0.5494	0.5706
ViT-B/16	0.7500	0.7849	0.5894	0.6612	0.6250	0.7794	0.3328	0.3473

数据稀缺性分析 · Data-scarcity experiment

训练数据按类别分层抽样至 100/50/25/10/5%，保持 val/test 完整。PAPILA 随数据量下降最快，最适合作合成数据增广实验。

100% · 294 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.8333	0.8373	0.6335	0.7419	0.6250	0.8824
resnet	0.8810	0.7721	0.6182	0.7725	0.5000	0.9706
vit	0.7500	0.7849	0.5894	0.6612	0.6250	0.7794

50% · 146 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.7976	0.8088	0.5192	0.7054	0.6250	0.8382
resnet	0.7143	0.7142	0.3752	0.6408	0.6875	0.7206
vit	0.6905	0.7298	0.4714	0.6208	0.6875	0.6912

25% · 73 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.7500	0.7422	0.3865	0.6361	0.5000	0.8088
resnet	0.7024	0.6241	0.3283	0.5286	0.2500	0.8088
vit	0.6071	0.6443	0.4117	0.5354	0.5625	0.6176

10% · 29 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.8095	0.6388	0.3641	0.4474	0.0000	1.0000
resnet	0.4881	0.6094	0.2686	0.4605	0.6875	0.4412
vit	0.7976	0.6379	0.3906	0.6795	0.5000	0.8676

5% · 15 训练样本

val/test 保持完整

Model	Acc	AUROC	AUPRC	F1	Sens	Spec
retfound	0.8095	0.6806	0.3679	0.4474	0.0000	1.0000
resnet	0.8214	0.5648	0.3519	0.6222	0.2500	0.9559
vit	0.7143	0.7031	0.4107	0.6190	0.5625	0.7500

详细图：混淆矩阵 / ROC 曲线

混淆矩阵

ROC

DR · Diabetic Retinopathy

IDRiD

5-class grade 0–4 · 划分 train/val/test = 318/45/92 · 总计 455 张

📷 采集背景：彩色眼底照｜FOV：50°｜设备：Kowa VX-10α（散瞳，托吡卡胺 0.5%）｜分辨率：4288×2848 JPG｜来源：印度 Nanded（Maharashtra）眼科诊所，2009–2017｜全集 516 张（本项目有标签 455 张）｜DR 0–4（ICDR）+ 黄斑水肿风险分级。

类别分布 · Class distribution（按 split）

Split	0·grade_0	1·grade_1	2·grade_2	3·grade_3	4·grade_4	合计
train	90	15	109	59	45	318
val	13	2	16	8	6	45
test	26	5	31	17	13	92
合计	129	22	156	84	64	455

模型性能 · Performance

Model	Accuracy	Bal-Acc	macro-AUROC	QWK	F1-macro	Prec-macro	Rec-macro	Kappa
RetFound (ViT-L, CFP)	0.6848	0.5657	0.9069	0.8782	0.5510	0.5400	0.5657	0.5737
ResNet-50	0.6196	0.5597	0.8881	0.8391	0.5515	0.5642	0.5597	0.4997
ViT-B/16	0.6522	0.6544	0.8646	0.8356	0.6192	0.6084	0.6544	0.5399

每类指标 · Per-class metrics

Class	Support	RetFound (ViT-L, CFP)			ResNet-50			ViT-B/16
Class	Support	Recall	F1	AUROC	Recall	F1	AUROC	Recall	F1	AUROC
0·grade_0	26	0.962	0.893	0.989	0.885	0.885	0.987	0.923	0.873	0.985
1·grade_1	5	0.000	0.000	0.929	0.200	0.250	0.899	0.800	0.571	0.853
2·grade_2	31	0.645	0.656	0.860	0.452	0.519	0.823	0.581	0.610	0.812
3·grade_3	17	0.529	0.486	0.831	0.647	0.512	0.828	0.353	0.375	0.786
4·grade_4	13	0.692	0.720	0.926	0.615	0.593	0.903	0.615	0.667	0.887

详细图：混淆矩阵 / ROC 曲线

混淆矩阵

ROC

APTOS-2019

5-class grade 0–4 · 划分 train/val/test = 2930/366/366 · 总计 3662 张

📷 采集背景：彩色眼底照｜设备 / FOV / 分辨率：均未公开（多诊所、多相机、跨时间采集，异质性大）｜来源：Aravind 眼科医院（印度），乡村远程筛查｜训练集 3662 张，DR 0–4（ICDR）｜真实世界噪声明显（伪影 / 失焦 / 过曝欠曝 / 标签噪声）。

类别分布 · Class distribution（按 split）

Split	0·grade_0	1·grade_1	2·grade_2	3·grade_3	4·grade_4	合计
train	1434	300	808	154	234	2930
val	172	40	104	22	28	366
test	199	30	87	17	33	366
合计	1805	370	999	193	295	3662

模型性能 · Performance

Model	Accuracy	Bal-Acc	macro-AUROC	QWK	F1-macro	Prec-macro	Rec-macro	Kappa
RetFound (ViT-L, CFP)	0.8361	0.6323	0.9478	0.9056	0.6495	0.6955	0.6323	0.7384
ResNet-50	0.8169	0.6238	0.9188	0.8600	0.6197	0.6286	0.6238	0.7092
ViT-B/16	0.7923	0.6170	0.9165	0.8748	0.6045	0.6193	0.6170	0.6751

每类指标 · Per-class metrics

Class	Support	RetFound (ViT-L, CFP)			ResNet-50			ViT-B/16
Class	Support	Recall	F1	AUROC	Recall	F1	AUROC	Recall	F1	AUROC
0·grade_0	199	0.980	0.987	0.998	0.985	0.982	0.999	0.975	0.980	0.995
1·grade_1	30	0.533	0.525	0.937	0.600	0.571	0.927	0.600	0.500	0.877
2·grade_2	87	0.839	0.756	0.949	0.759	0.750	0.949	0.644	0.683	0.914
3·grade_3	17	0.294	0.312	0.910	0.412	0.350	0.851	0.412	0.304	0.908
4·grade_4	33	0.515	0.667	0.946	0.364	0.444	0.868	0.455	0.556	0.887

详细图：混淆矩阵 / ROC 曲线

混淆矩阵

ROC

DeepDRiD

5-class grade 0–4 · 划分 train/val/test = 1200/400/400 · 总计 2000 张

📷 采集背景：彩色眼底照（常规，非超广角）｜设备：Topcon 非散瞳（具体型号未公开）｜FOV≈45–60°、分辨率≈1956×1934（来自补充材料，中等可信）｜来源：上海市第六人民医院（中国）糖尿病筛查队列｜2000 张 / 500 人，每眼双视野（视盘中心 + 黄斑中心）｜DR 0–4 + 图像质量标注。

类别分布 · Class distribution（按 split）

Split	0·grade_0	1·grade_1	2·grade_2	3·grade_3	4·grade_4	合计
train	539	141	234	214	72	1200
val	174	46	92	68	20	400
test	200	36	72	72	20	400
合计	913	223	398	354	112	2000

模型性能 · Performance

Model	Accuracy	Bal-Acc	macro-AUROC	QWK	F1-macro	Prec-macro	Rec-macro	Kappa
RetFound (ViT-L, CFP)	0.7525	0.6376	0.9271	0.8442	0.6534	0.6920	0.6376	0.6339
ResNet-50	0.7025	0.5311	0.8760	0.8270	0.5342	0.5570	0.5311	0.5605
ViT-B/16	0.7075	0.5952	0.8944	0.8242	0.5945	0.6280	0.5952	0.5836

每类指标 · Per-class metrics

Class	Support	RetFound (ViT-L, CFP)			ResNet-50			ViT-B/16
Class	Support	Recall	F1	AUROC	Recall	F1	AUROC	Recall	F1	AUROC
0·grade_0	200	0.835	0.843	0.959	0.850	0.867	0.938	0.765	0.836	0.955
1·grade_1	36	0.333	0.312	0.853	0.167	0.176	0.801	0.306	0.247	0.800
2·grade_2	72	0.722	0.684	0.933	0.639	0.579	0.881	0.708	0.646	0.907
3·grade_3	72	0.847	0.847	0.982	0.750	0.715	0.940	0.847	0.777	0.938
4·grade_4	20	0.450	0.581	0.910	0.250	0.333	0.819	0.350	0.467	0.872

详细图：混淆矩阵 / ROC 曲线