Solido Framework di Deep Learning per il Rilevamento Precoce della Retinopatia Diabetica utilizzando immagini preprocessate del fondo di fondo e CNN ottimizzate

Summary

Questo studio presenta e descrive un flusso di lavoro basato sul deep learning per la diagnosi precoce della retinopatia diabetica utilizzando immagini preprocessate del fondo d'occhio e architetture di reti neurali convoluzionali ottimizzate, consentendo una classificazione accurata della malattia e una localizzazione spiegabile delle lesioni per applicazioni cliniche scalabili.

Abstract

La retinopatia diabetica (DR) è una delle principali cause di perdita della vista a livello globale, in particolare tra i pazienti con diabete poco controllato. La rilevazione precoce tramite analisi automatica delle immagini si è affermata come una soluzione scalabile per supportare interventi tempestivi. I modelli basati sul deep learning, in particolare le reti neurali convoluzionali (CNN), hanno mostrato un significativo potenziale nel rilevamento della DR da immagini del fondo della retina. Questo studio mirava a (i) sviluppare un framework di deep learning in ensemble utilizzando EfficientNetB0 e DenseNet121 per la classificazione DR in cinque stadi, (ii) valutare sistematicamente l'impatto della pre-elaborazione delle immagini del fondo sul fondo sul rendimento diagnostico, (iii) incorporare spiegazioni visive basate su Grad-CAM per la localizzazione delle lesioni, e (iv) ottenere un'elevata accuratezza diagnostica con efficienza computazionale adatta a screening scalabile. È stato curato un dataset comprendente 53.412 immagini del fondo di fondo da EyePACS, APTOS 2019 e un centro di cure terziari in Cina. I passaggi di preprocessing includevano l'equalizzazione adattativa dell'istogramma limitato a contrasto (CLAHE), la rimozione di artefatti e la normalizzazione. L'apprendimento per trasferimento è stato applicato utilizzando le backbone EfficientNetB0 e DenseNet121, seguito dall'assemblaggio ibrido. I modelli sono stati valutati utilizzando accuratezza, macro-AUC, sensibilità, specificità e punteggio F1. Grad-CAM è stato utilizzato per visualizzare la localizzazione delle lesioni. Il modello ibrido ensemble ha raggiunto una precisione del 91,2%, un macro-AUC di 0,961, una sensibilità del 92,1% e un punteggio F1 di 0,913. Il preprocessing ha migliorato le prestazioni del 3-4%, e l'approccio di ensemble ha superato le CNN standalone. Le sovrapposizioni Grad-CAM hanno confermato una localizzazione accurata delle lesioni. Le prestazioni del modello sono state valutate sia per la valutazione DR in cinque stadi sia per la rilevazione binaria di DR per riflettere i requisiti di screening clinico. Questo studio presenta un modello di deep learning clinicamente valido e spiegabile per il rilevamento della DR. I lavori futuri includeranno la validazione esterna su dataset indipendenti, valutazioni prospettiche nel mondo reale e ottimizzazione dei modelli (ad esempio, potatura e quantizzazione) per applicazioni di screening mobile e di punto di cura.

Introduction

La DR è una complicanza microvascolare del diabete mellito e rimane una delle principali cause di disabilità visiva evitabile a livello^mondiale. L'iperglicemia cronica induce danni ai capillari retinici, portando a un aumento della permeabilità vascolare, formazione di microaneurismi, emorragie, essudati e, in stadi avanzati, proliferazione neovascolare. Senza un intervento tempestivo, questi cambiamenti possono evolvere in emorragia vitrea, distacco rettivo e perdita irreversibile della vista ^1,2. Studi epidemiologici stimano che circa il 35 percento degli individui con diabete presenti un certo grado di DR, con quasi il 10 percento che sviluppa retinopatia potenzialmente visiva ogni^anno. Le tendenze globali indicano che la prevalenza della DR è aumentata notevolmente negli ultimi due decenni. Una meta-analisi fondamentale ha riportato un aumento della prevalenza della DR dal 13,6 percento nei primi anni 2000 a oltre il 20 percento nel 2020². Analogamente, l'incidenza di DR che minaccia la vista ed edema maculare diabetico ha mostrato una traiettoria in aumento, in particolare nelle regioni a basso e medio^{reddito 3}. L'accesso limitato ai servizi di screening oftalmico nelle aree rurali ed economicamente svantaggiate contribuisce a un ritardo nella diagnosi e nel trattamento⁵.

La diagnosi precoce della DR è fondamentale, poiché interventi durante le fasi non proliferative, come la fotocoagulazione laser focale o pan-retinica, la terapia intravitrea con fattori di crescita endoteliale antivascolare (anti-VEGF) e la vitrectomia, possono efficacemente prevenire la progressione verso la perdita^{visiva 6}. Tuttavia, i programmi di screening convenzionali spesso si basano sulla correzione manuale delle fotografie a colori del fondo d'oro da parte di specialisti qualificati, un processo che richiede molte risorse e limita la scalabilità e la copertura^{tempestiva 5}. Le iniziative di teleoftalmologia hanno parzialmente colmato queste lacune, ma dipendono ancora da una disponibilità limitata di esperti e da protocolli di imaging ^{standardizzati 7}. I progressi nell'intelligenza artificiale (IA), in particolare nel deep learning (DL), hanno introdotto soluzioni automatizzate in grado di rilevare e valutare la riduzione del danno dalle immagini del fondo di fondo con grande precisione e velocità. Le CNN estraggono caratteristiche gerarchiche come microaneurismi, emorragie ed essudati e hanno raggiunto sensibilità e specificità superiori al 90 percento su dataset^{di riferimento 8,9}. Studi fondamentali di Gulshan et al., e Ting et al. hanno dimostrato che gli algoritmi DL possono eguagliare o superare gli esperti nell'identificare la DR riferibile, aprendo la strada all'approvazione regolatoria dei sistemi di screening^{autonomi 8,9}. I lavori successivi hanno esplorato l'apprendimento per trasferimento, la modellizzazione d'ensemble e le architetture ibride di reti neurali ricorrenti CNN per migliorare la generalizzazione tra diverse condizioni di imaging e popolazioni di pazienti^10,11.

Nonostante questi risultati promettenti, diverse sfide ostacolano la traduzione clinica dello screening DR basato su DL. Primo, una performance robusta richiede grandi e ben annotati dataset che catturano la variabilità nei dispositivi di imaging, nelle etnie e nelle presentazioni di malattie¹². L'incoerenza delle annotazioni tra i valutatori complica ulteriormente l'addestramento e la valutazione del modello. In secondo luogo, i passaggi di preprocessing dell'immagine come l'aumento del contrasto tramite CLAHE, la riduzione del rumore e la normalizzazione del colore influenzano significativamente la visibilità delle lesioni sottili e, di conseguenza, l'affidabilità dell'estrazione delle caratteristiche¹³. In terzo luogo, l'interpretabilità dei modelli rimane un campo di ricerca attivo; I clinici necessitano di strumenti trasparenti di supporto decisionale che evidenziano le regioni dell'immagine salienti che guidano le previsioni^{algoritmiche 14}. Infine, sono necessari quadri normativi e analisi di costo-efficacia per guidare l'integrazione degli strumenti di IA nei percorsi di screening esistenti, in particolare in contesti con risorse^{limitate 15}. Il presente studio affronta queste sfide proponendo un framework DL completo per la rilevazione precoce della DR che integra la pre-elaborazione ottimizzata delle immagini del fondo di lavoro, architetture CNN all'avanguardia e strategie di transferlearning. Utilizziamo CLAHE e la rimozione automatica di artefatti per aumentare il contrasto delle lesioni, seguiti da una messa a punto delle spine dorsale CNN pre-addestrate per sfruttare le caratteristiche naturali su larga scala. Di conseguenza, questo lavoro propone un framework di deep learning spiegabile per la rilevazione precoce della DR che integra la pre-elaborazione ottimizzata delle immagini del fondo d'occhio con architetture CNN in ensemble efficienti (Figura 1). I contributi chiave di questo studio includono una valutazione sistematica delle strategie di preprocessing, la progettazione di un ensemble ibrido computazionalmente efficiente e l'incorporazione della spiegabilità visiva a supporto dell'interpretazione clinica. Affrontando insieme accuratezza, trasparenza e distribuibilità, questo studio mira a promuovere l'applicabilità pratica dello screening DR assistito dall'IA. La DR progredisce attraverso cinque stadi definiti clinicamente: Nessuna DR, Lieve, Moderata, DR Grave non proliferativa e DR Proliferativa. Le fasi iniziali sono caratterizzate da microaneurismi ed emorragie lievi, mentre le fasi avanzate comportano danni vascolari estesi, neovascolarizzazione e rischio di perdita della vista. I sintomi spesso rimangono asintomatici fino alle fasi avanzate, rendendo lo screening automatico fondamentale per l'intervento precoce.

Figura 1: Rappresentazione grafica dell'opera presentata nel manoscritto Clicca qui per visualizzare una versione più grande di questa figura.

Per affrontare queste sfide, questo studio presenta un protocollo strutturato di deep learning per il rilevamento della DR che integra la pre-elaborazione standardizzata delle immagini del fondo d'ochio, l'addestramento ottimizzato delle reti neurali convoluzionali e output interpretabili dei modelli all'interno di un flusso di lavoro unificato. Il protocollo è progettato per migliorare la riproducibilità e la trasparenza metodologica dettagliando esplicitamente le strategie di pre-elaborazione, l'architettura del modello e le configurazioni di addestramento. Enfatizzando un ensemble leggero e efficiente dal punto di vista computazionale e incorporando spiegazioni visive basate su Grad-CAM, il metodo proposto definisce un quadro pratico e interpretabile pensato per una valutazione coerente tra dataset retinici eterogenei e multicentrici di imaging retinico.

Protocol

Questo studio ha comportato un'analisi retrospettiva. In conformità con le normative istituzionali e nazionali, l'approvazione formale del comitato etico e il consenso informato sono stati rinunciati, poiché non sono state accedute o utilizzate informazioni identificabili del paziente.

1. Fonti di dati e acquisizione

1. Rietichettare tutte le immagini secondo la Scala di Severità Internazionale della Retinopatia Clinica Diabetica (ICDR) (Gradi 0-4)¹⁰, per garantire la coerenza tra i dataset ottenuti da EyePACS, APTOS 2019 e la coorte di cure terziari.
2. Mappare le etichette originali dei dataset con annotazioni esistenti sulla scala ICDR per mantenere l'uniformità.
3. Valutare in modo indipendente tutte le immagini del fondo di fondo da due oculisti certificati con esperienza nello screening della DR.
4. Mascherare completamente entrambi i valutatori in base alla fonte del dataset, agli identificatori dei pazienti, alla storia clinica e alle previsioni del modello per minimizzare il bias di valutazione. Presenta le immagini in ordine casuale usando identificatori di file anonimizzati.
5. Eseguire la valutazione rigorosamente secondo la Scala di Gravità ICDR (Gradi 0-4).
6. Quantificare l'accordo inter-grader prima dell'etichettatura consensuale utilizzando il kappa ponderato di Cohen (κw) con pesi quadratici per tenere conto della natura ordinale dei gradi di gravità della DR.
7. Interpretare la forza di accordo secondo le soglie standard (κ < 0,20, scarsa; 0,21-0,40, discreta; 0,41-0,60, moderata; 0,61-0,80, sostanziale; > 0,80, quasi perfetta). Risolvere i voti discrepanti tramite una revisione congiunta. Utilizzare il voto consensuale come standard di riferimento finale per l'addestramento e la valutazione del modello.
8. Prima dell'addestramento del modello, standardizzare tutte le immagini a una risoluzione uniforme di 512 × 512 pixel e uno spazio colore coerente, e applicare procedure di preprocessing identiche per minimizzare la variabilità tra dataset derivante da differenze nei dispositivi della fotocamera, nei protocolli di acquisizione e nelle condizioni di illuminazione.
   NOTA: In particolare, il preprocessing consisteva in: (i) ridimensionamento dell'immagine e standardizzazione RGB, (ii) green-channel CLAHE per il potenziamento del contrasto, (iii) rimozione di artefatti di sfondo tramite mascheratura circolare e soglia adattiva, (iv) normalizzazione dell'intensità canale per canale, e (v) riduzione del rumore e miglioramento dei bordi tramite filtraggio gaussiano e mascheratura unsharping.
9. Acquisire immagini del fondo d'olmo utilizzando più telecamere a colori disponibili in commercio (Topcon, Canon e Zeiss) in condizioni di screening clinico di routine (Figura 2).
10. Consentire che i parametri di acquisizione dell'immagine varino a seconda del dispositivo, ma standardizzarli all'interno delle tipiche fasce di schermo, inclusi un campo visivo da 30°-45°, risoluzioni native dell'immagine che vanno da circa 2.048 × 1.536 a 3.872 × 2.592 pixel, e una profondità di colore a 24 bit (8 bit per canale RGB).
11. Utilizzare sia protocolli di imaging midriatico che non midriatico per riflettere le pratiche di screening del mondo reale. Acquisire tutte le immagini come fotografie a campo singolo, centrato sulla macula, in condizioni di illuminazione variabili, e successivamente ridimensionare e preprocessare le immagini utilizzando una pipeline identica prima dell'addestramento del modello (Figura 2).
12. Anonimizzare tutte le immagini prima dell'utilizzo, in conformità con le linee guida^{HIPAA 12, 13, 14}.
    NOTA: Usa solo un'immagine per occhio per evitare bias intra-soggetto. Escludere immagini che soddisfano o più dei seguenti criteri di qualità predefiniti: (i) scarsa messa a fuoco o sfocatura che oscura i vasi retinici e microaneurismi, valutati in base alla nitidezza dei bordi e alla visibilità dei vasi; (ii) eccessiva sfocatura o defocatura che interessa più del 25% del campo retinico; (iii) perdita di campo definita come visualizzazione incompleta del disco ottico o della regione maculare; oppure (iv) gravi artefatti di illuminazione come saturazione o ombreggiatura che interferivano con la visibilità delle lesioni.
13. Eseguire una valutazione della qualità in modo indipendente da parte di due revisori e risolvere eventuali disaccordi tramite consenso.
    1. Dataset EyePACS: Usa il dataset EyePACS ottenuto da Kaggle. Includere tutte le immagini del fondo di fondo a colori disponibili e conservare i gradi DR forniti come forniti con i metadati del dataset.
    2. Dataset APTOS 2019: Utilizza il dataset APTOS 2019 proveniente da Kaggle, composto da circa 3.600 immagini del fondo d'occhio a colori a campo singolo acquisite in condizioni di screening standardizzate.
    3. Dataset clinico indiano: Utilizzare un dataset clinico indiano derivato dall'ospedale composto da immagini a colori del fondo d'occhio. Registrare il conteggio totale delle immagini e utilizzare i gradi DR assegnati da oculisti qualificati come etichette di riferimento.

Figura 2: Fotografie rappresentative a colori del fondo di fondo che mostrano le varie fasi della retinopatia diabetica. Clicca qui per visualizzare una versione più grande di questa figura.

2. Preprocessing (CLAHE, normalizzazione, rimozione di artefatti)

1. Impiegare una pipeline di preprocessing multi-stadio per migliorare la visibilità delle lesioni e ridurre la variabilità dovuta alle condizioni di imaging.
2. Ridimensionare ogni immagine del fondo di colore a 512 × 512 pixel per mantenere dimensioni di input uniformi nei modelli di deep learning.
3. Esegui un potenziamento del contrasto utilizzando CLAHE applicato esclusivamente al canale verde di ciascuna immagine del fondo d'occhio, poiché questo canale fornisce un contrasto ottimale tra vasi e microaneurismi.
4. Implementare CLAHE utilizzando la libreria OpenCV con un limite di clip di 2.0 per prevenire l'amplificazione eccessiva del rumore e una griglia di tile di 8 × 8 per consentire un potenziamento localizzato del contrasto su tutto il campo retinico.
5. Ricombinare il canale verde elaborato con i canali rosso e blu per ricostruire l'immagine RGB migliorata. Fissa tutti i parametri CLAHE e applicali identicamente a tutte le immagini durante addestramento, validazione e set di test per garantire la riproducibilità.
6. Successivamente, normalizzare le immagini a media zero e varianza unitaria usando la normalizzazione canale per canale.
7. Rimuovere artefatti di fondo come bordi neri e aureole di illuminazione usando mascheramento circolare e soglia adattativa.
8. Applica il filtraggio gaussiano e il mascheramento unsharp per la riduzione del rumore e la conservazione dei bordi, rispettivamente. Applica il seguente potenziamento del contrasto, filtraggio gaussiano per la soppressione del rumore: usa un kernel 5 × 5 con deviazione standard (σ) di 1.0, implementa simmetricamente sia in direzione orizzontale che verticale.
   NOTA: Questo passaggio riduce il rumore ad alta frequenza preservando le strutture vascolari fine.
9. Esegui un mascheramento non nitido attraverso la sottrazione di una versione sfocata dell'immagine rispetto all'immagine originale, per migliorare i confini della lesione.
10. In particolare, si sottrae un'immagine sfocata con Gaussian (dimensione del nucleo 5 × 5, σ = 1.0) dall'immagine originale con un peso di nitidezza di 1,5, e si aggiunge l'immagine di dettaglio risultante all'originale per generare l'output finale nitido.
11. Fissa tutti i parametri e applicali in modo uniforme su tutti i dataset.
12. Includere la preelaborazione aggiuntiva menzionata di seguito per simulare la variabilità nel mondo reale e aumentare i dati di addestramento:
    1. Applicare un flipping orizzontale casuale a ogni immagine di addestramento con una probabilità di 0,5 per tenere conto della simmetria anatomica sinistra-destra della retina.
    2. Applicare il flipping verticale casuale con una probabilità di 0,5, assicurando che la variabilità dell'orientamento comunemente riscontrata durante l'acquisizione dell'immagine del fondo di fondo venga rappresentata.
    3. Applicare una rotazione casuale all'interno di un intervallo da -15° a +15°, campionata uniformemente, con probabilità di 0,7 per simulare una lieve inclinazione della telecamera e il movimento della testa del paziente.
    4. Applicare uno zoom casuale all'interno di un intervallo di ± 10% della dimensione originale dell'immagine, con una probabilità di 0,5, seguito da un ritaglio o imbottitura al centro per ripristinare la risoluzione di input di 512 × 512 pixel.
    5. Applicare una regolazione casuale della luminosità scalando le intensità dei pixel entro un intervallo fattoriale da 0,9 a 1,1, con probabilità di 0,4, per modellare la variabilità dell'illuminazione tra i dispositivi di imaging.
    6. Applicare una regolazione casuale del contrasto scalando il contrasto dell'immagine entro un intervallo di fattori da 0,9 a 1,1, con probabilità di 0,4, per migliorare la robustezza alle differenze di esposizione.
    7. Assicurarsi che tutte le modifiche vengano applicate solo al set di addestramento e eseguite al volo durante l'addestramento del modello, mentre le immagini di validazione e test rimangono non aumentate.
    8. Mantenere parametri di aumento fissi durante l'addestramento per garantire la riproducibilità e l'esposizione costante del modello a variabilità controllata.
13. Implementa i passaggi di preprocessing usando OpenCV e librerie di immagini di Python, e assicurati trasformazioni coerenti tra i set di addestramento e validazione.

3. Architettura del modello (varianti CNN, livelli ottimizzati)

1. Esplora molteplici architetture CNN per la classificazione DR e analizza le tre varianti di modello menzionate di seguito.
   1. CNN di base - Una CNN personalizzata a 6 strati con normalizzazione batch, attivazione ReLU, max-pooling e dropout (p = 0,5).
   2. Modelli di Apprendimento per Trasferimento - Backbone CNN pre-addestrati inclusi ResNet50, EfficientNetB0 e DenseNet121, inizializzati con pesi ImageNet e fine-tunati su immagini DR.
   3. Modello ibrido ottimizzato - Un modello di ensemble che combina estrattori di caratteristiche da EfficientNetB0 e DenseNet121, seguito da un perceptrone multilivello (MLP) con output softmax.
   4. Dopo la fine tuning, costruire la testa di classificazione per ogni modello pre-addestrato utilizzando uno strato di pooling globale medio, uno strato denso con attivazione ReLU (512 unità), uno strato dropout (p = 0,5) e uno strato di output softmax.
   5. Posiziona un livello globale di aggregazione media (GAP) prima della testa di classificazione in ogni modello.
   6. Per ridurre il sovrafitting, la regolarizzazione del peso L2 è stata applicata a tutti gli strati completamente connessi (densi) nella testa di classificazione utilizzando un coefficiente di regolarizzazione (λ) di 1 × 10⁻⁴. Questo valore è stato scelto per fornire una penalizzazione efficace dei pesi elevati, preservando al contempo la convergenza del modello e le prestazioni di classificazione durante la fine tuning.
   7. Impiegare una funzione di attivazione softmax nel livello di classificazione per consentire la previsione DR a 5 classi.
   8. Basare le scelte di progettazione del modello su lavori precedenti che dimostrano la superiore performance degli approcci ibridi e basati su trasferimento nell'analisi delle immagini^{retiniche 3,4}.
   9. Usa efficientNetB0 e DenseNet121 come estrattori paralleli di caratteristiche nel modello di ensemble ibrido ottimizzato.
   10. Simultaneamente, inserisci le immagini del fondo di fondo in ingresso in entrambe le backbone pre-addestrate ed estrai le mappe finali delle caratteristiche convoluzionali dopo lo strato globale di aggregazione media (GAP) di ciascuna rete.
   11. Concatena i vettori di caratteristiche risultanti per formare una rappresentazione unificata e alimentarli in un MLP composto da due strati completamente connessi (con attivazione e dropout ReLU) seguiti da uno strato di output softmax per la classificazione DR a cinque classi.
   12. Adottare questa strategia di fusione tardiva per integrare l'efficienza delle funzionalità a grana fine di EfficientNetB0 con la propagazione densa di DenseNet121, ottenendo prestazioni bilanciate sia nelle fasi di riduzione delle risorse interne che avanzate.
   13. Sfrutta la MLP per consentire l'integrazione non lineare delle rappresentazioni di caratteristiche complementari, riducendo l'overfitting rispetto alla fusione end-to-end.

4. Addestramento e ottimizzazione del modello (apprendimento per trasferimento, iperparametri)

1. Esegui tutti gli esperimenti su una workstation che esegue Ubuntu Linux (versione 20.04 LTS) con Python 3.8.10.
2. Implementa modelli di deep learning usando TensorFlow 2.10.0 con il backend Keras ed esegui su una GPU NVIDIA Tesla V100 (32 GB di VRAM).
3. Abilita l'accelerazione GPU utilizzando CUDA Toolkit versione 11.2 e cuDNN versione 8.1, che sono compatibili con il rilascio specificato di TensorFlow.
4. Implementa tutti i passaggi di preprocessing e aumento dei dati utilizzando OpenCV 4.7.0, NumPy 1.23 e imgaug 0.4.0.
5. Dividere il dataset in set di addestramento (70%), validazione (15%) e test (15%), e garantire l'equilibrio delle classi all'interno di ogni partizione.
6. Addestra tutti i modelli su una GPU NVIDIA Tesla V100 con 32 GB di VRAM.
7. Sfrutta l'apprendimento per trasferimento congelando i primi strati delle reti pre-addestrate e affinando i livelli superiori sulle immagini del fondo di parola.
8. Inizializzare casualmente gli ultimi strati densi e allenarsi da zero.
9. Ottimizza i seguenti iperparametri:
   Ottimizzatore: Adam con β1=0,9, β2=0,999
   Tasso di apprendimento: 1 × 10⁻⁴ con lo scheduler ReduceLROnPlateau
   Dimensione del lotto: 32
   Epoche: 50-100 con fermata anticipata (pazienza = 10)
   Funzione di perdita: Entropia Incrociata Categorica
10. Salva i checkpoint del modello in base alla perdita minima di validazione.
11. Affrontare lo squilibrio di classe applicando pesi di classe categoriali inversamente proporzionali alla frequenza delle classi durante l'addestramento.
12. Applica l'aumento dei dati al volo usando Keras ImageDataGenerator. Impiegare una strategia di validazione incrociata a 5 punte per garantire la robustezza del modello e minimizzare il bias di selezione. Metriche medie di performance su tutte le partite e riportano le corrispondenti deviazioni standard.
13. Seleziona i valori degli iperparametri basandosi sulle migliori pratiche consolidate nell'apprendimento per trasferimento per la classificazione delle immagini mediche e convalidali tramite esperimenti pilota preliminari sul set di validazione.
14. Usa l'ottimizzatore Adam per il suo comportamento stabile di convergenza e tasso di apprendimento adattivo, e imposta un tasso di apprendimento iniziale di 1e−4 per bilanciare la stabilità dell'allenamento e la velocità di convergenza durante la fine tuning.
15. Determina empiricamente la dimensione del lotto e i criteri di arresto anticipato per minimizzare l'overfitting mantenendo l'efficienza computazionale.

5. Metriche di valutazione e validazione (AUC, accuratezza, sensibilità/specificità)

1. Valuta le prestazioni del modello utilizzando metriche di classificazione standard. Condurre una valutazione primaria sul set di test di riserva (n ≈ 8.000 immagini) e riportare i risultati sia per la classificazione a 5 classi che per quella binaria (DR referibile vs. DR non referibile).
2. Calcola le seguenti metriche:
   Accuratezza: Percentuale di previsioni corrette in tutte le classi
   Area sotto la Curva Caratteristica Operativa del Ricevitore (AUC): Calcolata per ogni classe e media (macro AUC)
   Sensibilità (Richiamo): Tasso di positività vera = TP / (TP + FN)
   Specificità: tasso vero negativo = TN / (TN + FP)
   F1-Score: Media armonica di precisione e richiamo
   Matrice di confusione: matrice 5 × 5 per l'analisi degli errori di classificazione
3. Traccia curve ROC (Receiver Operating Character) e curve di richiamo di precisione per visualizzare la discriminazione del modello.
4. Genera visualizzazioni Grad-CAM (Gradient-weighted Class Activation Mapping) per un sottoinsieme di immagini classificate correttamente e erroneamente per evidenziare le regioni retiniche che guidano le previsioni del modello.
   NOTA: Il modello ibrido ottimizzato ha raggiunto le migliori prestazioni con un AUC macro di 0,961, una sensibilità del 92,1%, una specificità dell'89,4% e una precisione complessiva del 91,2% per il rilevamento della DR segnalabile.
5. Confronta le prestazioni con i modelli pubblicati esistenti sugli stessi dataset e valuta la significatività statistica usando test t accoppiati e il test di McNemar.
6. Valutare la significatività statistica delle differenze di performance tra il modello ibrido di ensemble e le singole architetture CNN utilizzando test t accoppiati per metriche continue (AUC, accuratezza, punteggio F1) tra fold di validazione incrociata, e il test di McNemar per i risultati di classificazione abbinata sul set di test.
   NOTA: Il modello ibrido ha mostrato miglioramenti statisticamente significativi rispetto a tutti i modelli single-backbone, con valori p < 0,05 per accuratezza e AUC, confermando che i guadagni di performance osservati non erano dovuti a variazioni casuali. La precisione è un indicatore di valutazione fondamentale nello screening dei DR, in particolare per minimizzare le previsioni di falsi positivi che possono portare a invii non necessari, ansia del paziente e un aumento del carico sanitario. La precisione è definita come la proporzione di casi positivi correttamente previsti tra tutti i casi previsti come positivi ed è espressa come:
   Precisione=TPTP+FP\testo{Precisione} = \frac{TP}{TP + FP}Precisione=TP+FPTP
   dove TP rappresenta i veri positivi, e FP rappresenta i falsi positivi.
7. Nel contesto della rilevazione DR, interpretare l'alta precisione indica che le immagini classificate come dotate di DR contengono davvero segni patologici, migliorando così l'affidabilità dei sistemi di screening automatici. Sottolineare che questa metrica è particolarmente rilevante per gli screening su larga scala della popolazione, dove un eccessivo numero di falsi positivi può sovraccaricare i sistemi di segnalazione. In questo studio, valuta la precisione per ogni grado di DR così come per la rilevazione binaria di DR referibile, per valutare la capacità del modello di distinguere con precisione i casi patologici dai controlli sani.

Results

Riepilogo del dataset ed effetti di preprocessing

Il dataset curato consisteva in 53.412 immagini a colori del fondo d'occhio distribuite nelle cinque classi di gravità della DR: No DR (0) - 39,2%, Lieve (1) - 18,4%, Moderata (2) - 22,5%, Grave (3) - 12,1% e DR Proliferativa (4) - 7,8%. I dati provengono da EyePACS, APTOS 2019 e da un centro terziario cinese di oftalmologia, garantendo diversità di etnia, condizioni di imaging e specifiche del...

Discussion

In questo studio, abbiamo sviluppato e valutato rigorosamente un modello ibrido di ensemble che combina EfficientNetB0 e DenseNet121, fine-tuned tramite transfer learning e potenziato con passaggi classici di preprocessing, CLAHE, rimozione di artefatti e normalizzazione dell'intensità, per la gradazione DR a cinque classi. L'ensemble ha raggiunto prestazioni eccezionali: accuratezza 91,2%, macroAUC 0,961 e F₁score 0,913 per il rilevamento DR referabile, e sensibilità del 92,1% come ripo...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Fundus Camera (Topcon, Canon, Zeiss)	Topcon / Canon / Zeiss		Utilizzato per catturare fotografie a colori ad alta risoluzione sul fondo d'acqua in condizioni di illuminazione variabili
NVIDIA Tesla V100 GPU	NVIDIA Corporation	Tesla V100	32 GB di VRAM; Utilizzato per l'addestramento di modelli di deep learning
Python (OpenCV, librerie imgaug)	Comunità open-source		Preprocessing delle immagini inclusi CLAHE, rimozione di artefatti, normalizzazione, aumento
TensorFlow 2.10 + Keras	Google Brain		Framework di deep learning utilizzato per la costruzione e l'addestramento di modelli CNN
EfficientNetB0 & Spine dorsuali pre-addestrate DenseNet121	Open-source (TensorFlow/Keras Applications)		Backbone di apprendimento per trasferimento pre-addestrati su ImageNet utilizzati per la classificazione DR