面向视网膜OCT B扫描的任务特异性质量门控：在脉络膜分割中学习表征优于标量指标

标量无参考图像质量指标无法预测下游分割可靠性：BRISQUE r=−0.141、NIQE r=−0.030、PIQE r=−0.081、SNR r=−0.194、PSNR r=−0.072，全部|r|<0.20。 此前设备报告的信号强度指数已被证明解释力有限，但BRISQUE、NIQE、PIQE等自然场景统计类无参考指标在OCT下游分割可靠性预测上的表现此前未被直接检验，本文给出了这一直接评估。 基于6,076张B扫描的全数据集Pearson相关分析，样本量较大，但为单一设备、单一分割模型的观察性关联。

NR-IQA的失效主要发生在聚合步骤：BRISQUE与NIQE的36维特征向量经线性探针后ROC-AUC分别达0.685与0.674，高于随机水平。 说明这些手工特征本身携带与分割质量相关的信息，但被压缩为单一标量分数时丢失，为质量门控的特征使用方式提供了新视角。 采用留一患者交叉验证（LOPO，80名受试者）与患者级自助法置信区间，BRISQUE为0.685 [0.618, 0.743]，NIQE为0.674 [0.607, 0.735]。

学习表征优于标量指标，且域特异性预训练带来额外增益：ImageNet预训练骨干ROC-AUC最高0.773（ViT-B/16），视网膜基础模型RETFound达0.809、UrFound达0.803，基础模型组整体高于ImageNet组（ΔROC-AUC=0.051，95% CI [0.023, 0.080]，p<0.001）。 首次在同一基准上按标量指标、通用预训练表征、视网膜基础模型三个层级系统比较任务特异性质量门控能力，并显示域相关性比具体预训练监督配方更关键（UrFound与RETFound之间无显著差异，ΔROC-AUC=0.006，p=0.43）。 LOPO协议下80折汇总的样本外预测，配对患者级自助法检验（5,000次重采样），并辅以随机初始化骨干对照以分离架构与预训练权重的贡献。

无监督几何结构上，仅视网膜基础模型的嵌入空间按质量对齐：UrFound（k*=3）与RETFound（k*=3）的Bad比例跨簇差异分别为48.9与47.1，超过患者级置换零分布15.8与15.6（p=.009与p=.010），而ResNet-50、EfficientNet-B0未超过零分布，ViT-B/16未达显著（p=.073）。 表明域特异性预训练不仅提升线性可分性，还使分割质量成为表征空间中几何上显著的无监督轴，而通用ImageNet预训练在k=2固定时反而显著降低质量对齐分离度（ResNet-50 ΔSpread=−19.7，ViT-B/16 −24.9，p<10⁻³⁰）。 300次患者级重采样、Kneedle确定k*、患者级置换零分布检验，并报告95%区间。

该结果面向使用单一OCT设备、健康受试者人群、单一Residual U-Net脉络膜分割模型的场景，质量标签由Dice阈值0.85操作化定义，作者明确指出该阈值不代表图像质量的内在边界，框架可用其他阈值评估。其直接启示是：构建可靠的脉络膜质量门控不需要定制架构，冻结的视网膜基础模型骨干加一个在Dice上训练的监督线性头即可达到ROC-AUC 0.809，关键设计要求是质量标签必须任务特异性（来自分割模型表现而非人类可读性），且骨干须在目标模态上预训练。这一范式为在其他医学影像任务中评估学习表征能否支持预推理质量评估提供了基础。

作者指出尚未建立因果信号，结果属于鼓励性发现而非因果结论；研究仅评估预训练数据而非训练目标，这一区分留待后续；脉络膜边界可见性等图像属性未被显式评估；基础模型在有限任务数据下的少样本质量门控能力尚待探索。此外，本次加载的文本为快速解析版本，图3与图4的完整数值细节未在正文中逐点给出，阈值扫描的具体数值只能依据正文描述理解，这可能影响对阈值敏感性结论的精细把握。