Robuust deep learning-framework voor vroege detectie van diabetische retinopathie met behulp van voorbewerkte fundusbeelden en geoptimaliseerde CNN's

Samenvatting

Deze studie beschrijft een deep learning-gebaseerde workflow voor vroege detectie van diabetische retinopathie met behulp van voorbewerkte fundusbeelden en geoptimaliseerde convolutionele neurale netwerkarchitecturen, waardoor nauwkeurige ziekteclassificatie en verklaarbare laesielokalisatie mogelijk worden voor schaalbare klinische toepassing.

Samenvatting

Diabetische retinopathie (DR) is wereldwijd een belangrijke oorzaak van gezichtsverlies, vooral bij patiënten met slecht gecontroleerde diabetes. Vroege detectie door middel van geautomatiseerde beeldanalyse is uitgegroeid tot een schaalbare oplossing om tijdige interventies te ondersteunen. Modellen gebaseerd op deep learning, met name convolutionele neurale netwerken (CNN's), hebben veelbelovend veel succes getoond in DR-detectie uit beelden van retinale fundus. Deze studie had als doel (i) een ensemble deep learning-framework te ontwikkelen met behulp van EfficientNetB0 en DenseNet121 voor vijffasige DR-classificatie, (ii) systematisch de impact van fundusbeeldpreprocessing op diagnostische prestaties te evalueren, (iii) Grad-CAM-gebaseerde visuele verklaringen voor laesielokalisatie te integreren, en (iv) hoge diagnostische nauwkeurigheid met computationele efficiëntie te bereiken die geschikt is voor schaalbare screening. Een dataset met 53.412 fundusbeelden van EyePACS, APTOS 2019 en een tertiair zorgcentrum in China werd samengesteld. Preprocessing-stappen omvatten contrastbeperkte adaptieve histogramequalizing (CLAHE), verwijdering van artefacten en normalisatie. Transfer learning werd toegepast met behulp van EfficientNetB0 en DenseNet121 backbones, gevolgd door hybride assembling. De modellen werden geëvalueerd met behulp van nauwkeurigheid, macro-AUC, gevoeligheid, specificiteit en F1-score. Grad-CAM werd gebruikt om laesielokalisatie te visualiseren. Het hybride ensemblemodel behaalde 91,2% nauwkeurigheid, 0,961 macro-AUC, 92,1% gevoeligheid en een F1-score van 0,913. Preprocessing verbeterde de prestaties met 3-4%, en de ensemblebenadering presteerde beter dan standalone CNN's. Grad-CAM overlays bevestigden nauwkeurige laesielokalisatie. De modelprestaties werden geëvalueerd voor zowel vijffasige DR-beoordeling als binaire refereerbare DR-detectie om de klinische screeningsvereisten te weerspiegelen. Deze studie presenteert een klinisch haalbaar, verklaarbaar deep learning-model voor DR-detectie. Toekomstig werk zal externe validatie van onafhankelijke datasets, prospectieve evaluatie in de praktijk en modeloptimalisatie (bijv. snoeien en kwantisatie) omvatten voor mobiele en point-of-care screeningtoepassingen.

Inleiding

DR is een microvasculaire complicatie van diabetes mellitus en blijft wereldwijd een van de belangrijkste oorzaken van vermijdbare visuele beperkingen^. Chronische hyperglykemie veroorzaakt schade aan retinale haarvaten, wat leidt tot een verhoogde vasculaire permeabiliteit, vorming van microaneurysma's, bloedingen, exsudaten en in gevorderde stadia, neovasculaire proliferatie. Zonder tijdige interventie kunnen deze veranderingen zich ontwikkelen tot glasvochtbloeding, tractie-netvliesloslating en onomkeerbaar verlies^van gezichtsvermogen ^1,2. Epidemiologische studies schatten dat ongeveer 35 procent van de mensen met diabetes een zekere mate van DR vertoont, waarbij bijna 10 procent elk jaar² een oogbedreigende retinopathie ontwikkelt. Wereldwijde trends geven aan dat de prevalentie van DR de afgelopen twee decennia aanzienlijk is gestegen. Een baanbrekende meta-analyse rapporteerde een stijging van de prevalentie van DR van 13,6 procent begin jaren 2000 tot meer dan 20 procent in 2020. Evenzo heeft de incidentie van zichtbedreigende DR en diabetisch macula-oedeem een stijgende ontwikkeling laten zien, vooral in lage- en middeninkomensregio's³. Beperkte toegang tot oogheelkundige screening in landelijke en economisch achtergestelde gebieden draagt bij aan vertraagde diagnose en behandeling⁵.

Vroege detectie van DR is cruciaal, omdat interventies in niet-proliferatieve stadia, zoals focale of pan-retinale laserfotocoagulatie, intravitreal antivasculaire endotheliale groeifactor (anti-VEGF) therapie en vitrectomie, effectief kunnen voorkomen dat het gezichtsverlies^{wordt gezien}. Toch vertrouwen conventionele screeningsprogramma's vaak op handmatige beoordeling van kleurfundusfoto's door getrainde specialisten, een resource-intensief proces dat schaalbaarheid en tijdige dekking beperkt⁵. Teleoftalmologie-initiatieven hebben deze hiaten gedeeltelijk aangepakt, maar zijn nog steeds afhankelijk van beperkte beschikbaarheid van experts en gestandaardiseerde beeldvormingsprotocollen ⁷. Vooruitgangen in kunstmatige intelligentie (AI), met name deep learning (DL), hebben geautomatiseerde oplossingen geïntroduceerd die DR uit fundusbeelden met hoge nauwkeurigheid en snelheid kunnen detecteren en beoordelen. CNN's extraheren hiërarchische kenmerken zoals microaneurysma's, bloedingen en exsudate en hebben gevoeligheden en specificiteiten bereikt die meer dan 90 procent overschrijden op benchmarkdatasets ^8,9. Baanbrekende studies van Gulshan et al. en Ting et al. toonden aan dat DL-algoritmen kunnen matchen of beter zijn dan deskundige beoordelaars bij het identificeren van verwijzingsbewijzende DR, wat de weg vrijmaakte voor regelgevende goedkeuringen van autonome screeningssystemen ^8,9. Vervolgonderzoek heeft transfer learning, ensemblemodellering en hybride CNNrecurrent neurale netwerkarchitecturen onderzocht om de generaliseerbaarheid te verbeteren over diverse beeldvormingssituaties en patiëntenpopulaties^10,11.

Ondanks deze veelbelovende resultaten belemmeren verschillende uitdagingen de klinische vertaling van DL-gebaseerde DR-screening. Ten eerste vereist robuuste prestaties grote, goed geannoteerde datasets die variabiliteit in beeldvormingsapparaten, etniciteiten en ziektepresentaties vastleggen¹². Annotatie-inconsistentie tussen beoordelaars maakt modeltraining en -evaluatie verder ingewikkelder. Ten tweede beïnvloeden beeldvoorbewerkingsstappen zoals contrastverbetering via CLAHE, ruisonderdrukking en kleurnormalisatie aanzienlijk de zichtbaarheid van subtiele laesies en daarmee de betrouwbaarheid van feature extraction¹³. Ten derde blijft modelinterpretatie een actief onderzoeksgebied; Clinici hebben transparante besluitvormingshulpmiddelen nodig die belangrijke beeldgebieden benadrukken die algoritmische voorspellingen^{aansturen 14}. Tot slot zijn regelgevende kaders en kosteneffectiviteitsanalyses nodig om de integratie van AI-tools in bestaande screeningsroutes te begeleiden, vooral in omgevingen met beperkte middelen¹⁵. De huidige studie pakt deze uitdagingen aan door een uitgebreid DL-framework voor vroege DR-detectie voor te stellen, dat geoptimaliseerde preprocessing van fundusbeelden, stateoftheart CNN-architecturen en transferlearning-strategieën integreert. We maken gebruik van CLAHE en geautomatiseerde verwijdering van artefacten om het laeesiecontrast te verbeteren, gevolgd door het fijn afstellen van voorgetrainde CNN-ruggengraat om grootschalige natuurlijke beeldkenmerken te benutten. Daarom stelt dit werk een verklaarbaar deep learning-framework voor voor vroege DR-detectie dat geoptimaliseerde fundusbeeldpreprocessing integreert met efficiënte ensemble-CNN-architecturen (Figuur 1). De belangrijkste bijdragen van deze studie zijn onder meer een systematische evaluatie van preprocessingstrategieën, het ontwerp van een computationeel efficiënt hybride ensemble en de integratie van visuele verklaarbaarheid ter ondersteuning van klinische interpretatie. Door nauwkeurigheid, transparantie en inzetbaarheid samen aan te pakken, streeft deze studie ernaar de praktische toepasbaarheid van AI-ondersteunde DR-screening te vergroten. DR verloopt door vijf klinisch gedefinieerde fasen: Geen DR, Mild, Moderat, Ernstige niet-proliferatieve DR en Proliferatieve DR. Vroege stadia worden gekenmerkt door microaneurysma's en milde bloedingen, terwijl gevorderde stadia uitgebreide vasculaire schade, neovascularisatie en risico op gezichtsverlies omvatten. Symptomen blijven vaak asymptomatisch tot in de late stadia, waardoor geautomatiseerde screening cruciaal is voor vroege interventie.

Figuur 1: Grafische weergave van het werk in het manuscript Klik hier om een grotere versie van deze figuur te bekijken.

Om deze uitdagingen aan te pakken, presenteert deze studie een gestructureerd deep learning-protocol voor DR-detectie dat gestandaardiseerde fundusbeeldpreprocessing, geoptimaliseerde training van convolutionele neurale netwerken en interpreteerbare modeluitvoer integreert binnen een uniforme workflow. Het protocol is ontworpen om reproduceerbaarheid en methodologische transparantie te verbeteren door expliciet preprocessingstrategieën, modelarchitectuur en trainingsconfiguraties te beschrijven. Door de nadruk te leggen op een computationeel efficiënt lichtgewicht ensemble en het integreren van op Grad-CAM gebaseerde visuele verklaringen, definieert de voorgestelde methode een praktisch en interpreteerbaar kader bedoeld voor consistente evaluatie over heterogene, multicenter retinale beeldvormingsdatasets.

Protocol

Deze studie omvatte een retrospectieve analyse. In overeenstemming met institutionele en nationale regelgeving werden de formele goedkeuring van de ethische commissie en geïnformeerde toestemming opgegeven, omdat er geen identificeerbare patiëntinformatie werd bekeken of gebruikt.

1. Databronnen en verwerving

1. Herlabel alle beelden volgens de International Clinical Diabetic Retinopathy (ICDR) Severity Scale (graden 0-4)¹⁰, om consistentie te waarborgen tussen datasets verkregen van EyePACS, APTOS 2019 en de tertiaire zorgcohort.
2. Koppel de originele labels van datasets met bestaande annotaties aan de ICDR-schaal om uniformiteit te behouden.
3. Beoordeel onafhankelijk alle fundusbeelden door twee gecertificeerde oogartsen met ervaring in de DR-screening.
4. Masker beide beoordelaars volledig ten opzichte van de bron, patiëntidentificaties, klinische geschiedenis en modelvoorspellingen om beoordelingsbias te minimaliseren. Presenteer afbeeldingen in een willekeurige volgorde met behulp van geanonimiseerde bestandsidentificaties.
5. Voer beoordelingen strikt uit volgens de ICDR Severity Scale (cijfers 0-4).
6. Kwantificeer overeenstemming tussen graders vóór consensuslabeling met behulp van Cohens gewogen kappa (κw) met kwadratische gewichten om rekening te houden met de ordinale aard van DR-ernstgraden.
7. Interpreteer de overeenstemming sterkte volgens standaarddrempels (κ < 0,20, slecht; 0,21-0,40, redelijk; 0,41-0,60, gematigd; 0,61-0,80, substantieel; > 0,80, bijna perfect). Los afwijkende cijfers op via gezamenlijke consensusbeoordeling. Gebruik de consensusbeoordeling als de definitieve referentiestandaard voor modeltraining en evaluatie.
8. Standaardiseer vóór modeltraining alle beelden met een uniforme resolutie van 512 × 512 pixels en een consistente kleurruimte, en pas identieke voorverwerkingsprocedures toe om variabiliteit tussen datasets door verschillen in cameraapparaten, acquisitieprotocollen en verlichtingsomstandigheden te minimaliseren.
   OPMERKING: Specifiek bestond de voorverwerking uit: (i) beeldgrootteverandering en RGB-standaardisatie, (ii) green-channel CLAHE voor contrastverbetering, (iii) verwijdering van achtergrondartefacten via circulaire maskering en adaptieve drempel, (iv) kanaalgewijze intensiteitsnormalisatie, en (v) ruisreductie en randversterking met Gaussian filtering en unsharp masking.
9. Verzamel fundusbeelden met meerdere commercieel verkrijgbare kleurenfunduscamera's (Topcon, Canon en Zeiss) onder routinematige klinische screeningsomstandigheden (Figuur 2).
10. Laat beeldverwervingsparameters per apparaat variëren, maar standaardiseer ze binnen typische screeningbereiken, inclusief een gezichtsveld van 30°-45°, native beeldresoluties variërend van ongeveer 2.048 × 1.536 tot 3.872 × 2.592 pixels, en een kleurdiepte van 24 bits (8 bits per RGB-kanaal).
11. Gebruik zowel mydriatische als niet-mydriatische beeldvormingsprotocollen om de praktijk van screening te weerspiegelen. Leg alle beelden vast als enkelveld, macula-gecentreerde fundusfoto's onder variabele belichtingsomstandigheden, en herbewerk vervolgens de beelden met een identieke pijplijn voorafgaand aan modeltraining (Figuur 2).
12. Anonimisiseer alle afbeeldingen vóór gebruik in overeenstemming met HIPAA-richtlijnen 12,13,14.
    OPMERKING: Gebruik slechts één afbeelding per oog om intra-subject bias te voorkomen. Sluit beelden uit die voldoen aan een of meer van de volgende vooraf gedefinieerde kwaliteitscriteria: (i) slechte scherpstelling of wazigheid die retinale vaten en microaneurysma's verbergt, beoordeeld op randscherpte en bloedvatzichtbaarheid; (ii) overmatige bewegingsonscherpte of defocus die meer dan 25% van het netvliesveld treft; (iii) veldverlies gedefinieerd als onvolledige visualisatie van de optische schijf of macularegio; of (iv) ernstige verlichtingsartefacten zoals verzadiging of schaduw die de zichtbaarheid van laesies belemmerden.
13. Voer onafhankelijk kwaliteitsbeoordeling uit door twee beoordelaars en los eventuele meningsverschillen op via consensus.
    1. EyePACS Dataset: Gebruik de EyePACS dataset verkregen van Kaggle. Neem alle beschikbare kleurfundusbeelden op en behoud de verstrekte DR-cijfers zoals meegeleverd met de metadata van de dataset.
    2. APTOS 2019 Dataset: Gebruik de APTOS 2019 dataset afkomstig van Kaggle, bestaande uit ongeveer 3.600 enkelveld-kleurfundusbeelden die onder gestandaardiseerde screeningsomstandigheden zijn verkregen.
    3. Indiase klinische dataset: Gebruik een ziekenhuisgebaseerde klinische dataset van Indiase dataset, bestaande uit kleurenfundusbeelden. Noteer het totale aantal beelden en gebruik DR-cijfers die door gekwalificeerde oogartsen zijn toegekend als referentielabels.

Figuur 2: Representatieve kleurenfundusfoto's die verschillende stadia van diabetische retinopathie tonen. Klik hier om een grotere versie van deze figuur te bekijken.

2. Preprocessing (CLAHE, normalisatie, verwijdering van artefacten)

1. Gebruik een meerstaps preprocessing-pijplijn om de zichtbaarheid van laesies te verbeteren en variabiliteit door beeldvormingsomstandigheden te verminderen.
2. Verander elke kleur fundusafbeelding van formaat naar 512 × 512 pixels om uniforme invoerafmetingen voor deep learning-modellen te behouden.
3. Voer contrastversterking uit met CLAHE, uitsluitend toegepast op het groene kanaal van elk fundusbeeld, omdat dit kanaal optimaal vat- en microaneurysmacontrast biedt.
4. Implementeer CLAHE met de OpenCV-bibliotheek met een cliplimiet van 2,0 om ruisversterking te voorkomen en een tegelroostergrootte van 8 × 8 om gelokaliseerde contrastversterking over het netvliesveld mogelijk te maken.
5. Combineer het bewerkte groene kanaal opnieuw met het rode en blauwe kanaal om het verbeterde RGB-beeld te reconstrueren. Fix alle CLAHE-parameters en pas ze identiek toe op alle afbeeldingen in trainings-, validatie- en testsets om reproduceerbaarheid te garanderen.
6. Normaliseer vervolgens afbeeldingen naar nul gemiddelde en eenheidsvariantie met kanaalgewijze normalisatie.
7. Verwijder achtergrondartefacten zoals zwarte randen en verlichtingshalo's met behulp van cirkelvormige maskering en adaptieve drempel.
8. Pas Gaussiaans filteren en onscherpe maskering toe voor ruisreductie en randbehoud, respectievelijk. Pas de volgende contrastverbetering toe: Gaussische filtering voor ruisonderdrukking: gebruik een 5 × 5 kernel met een standaarddeviatie (σ) van 1,0, en implementeer symmetrisch zowel in horizontale als verticale richtingen.
   OPMERKING: Deze stap vermindert de hoogfrequente ruis terwijl fijne vaatstructuren behouden blijven.
9. Voer onscherpe maskering uit door het verwijderen van een wazige versie van het beeld van het origineel, om de grenzen van de laesie te versterken.
10. Specifiek trek je een Gaussiaans-wazig beeld (kerngrootte 5 × 5, σ = 1,0) af van de originele afbeelding met een verscherpingsgewicht van 1,5, en voeg je het resulterende detailbeeld weer toe aan het origineel om de uiteindelijke verscherpte output te genereren.
11. Pas alle parameters aan en pas ze uniform toe op alle datasets.
12. Voeg de extra preprocessing hieronder toe om echte variabiliteit te simuleren en trainingsdata aan te vullen:
    1. Pas willekeurige horizontale flipping toe op elk trainingsbeeld met een kans van 0,5 om rekening te houden met de anatomische links-rechts symmetrie van het netvlies.
    2. Pas willekeurige verticale flipping toe met een kans van 0,5, zodat de oriëntatievariabiliteit die vaak voorkomt bij fundusbeeldverwerving wordt weergegeven.
    3. Pas willekeurige rotatie toe binnen een bereik van -15° tot +15°, uniform bemonsterd, met een kans van 0,7 om lichte camerakanteling en hoofdbeweging van de patiënt te simuleren.
    4. Pas willekeurige zoom toe binnen een bereik van ± 10% van de oorspronkelijke afbeeldingsgrootte, met een kans van 0,5, gevolgd door center-cropping of opvulling om de inputresolutie van 512 × 512 pixels te herstellen.
    5. Pas willekeurige helderheidsaanpassing toe door pixelintensiteiten te schalen binnen een factorbereik van 0,9-1,1, met een kans van 0,4, om de belichtingsvariabiliteit tussen beeldvormingsapparaten te modelleren.
    6. Pas willekeurige contrastaanpassing toe door het beeldcontrast te schalen binnen een factorbereik van 0,9-1,1, met een kans van 0,4, om de robuustheid voor belichtingsverschillen te verbeteren.
    7. Zorg ervoor dat alle augmentaties alleen op de trainingsset worden toegepast en tijdens modeltraining on-the-fly worden uitgevoerd, terwijl validatie- en testbeelden niet worden geaugmenteerd.
    8. Houd vaste augmentatieparameters aan gedurende de training om reproduceerbaarheid en consistente blootstelling van het model aan gecontroleerde variabiliteit te waarborgen.
13. Voer de preprocessing-stappen uit met behulp van Python's OpenCV- en imagebibliotheken, en zorg voor consistente transformaties tussen trainings- en validatiesets.

3. Modelarchitectuur (CNN-varianten, geoptimaliseerde lagen)

1. Verken meerdere CNN-architecturen voor DR-classificatie en bekijk de drie hieronder genoemde modelvarianten.
   1. Baseline CNN - Een aangepaste 6-laag CNN met batchnormalisatie, ReLU-activatie, max-pooling en dropout (p = 0,5).
   2. Transfer Learning Models - Vooraf getrainde CNN-backbones, waaronder ResNet50, EfficientNetB0 en DenseNet121, geïnitialiseerd met ImageNet-gewichten en fijn afgestemd op DR-afbeeldingen.
   3. Geoptimaliseerd hybride model - Een ensemblemodel dat feature-extractors van EfficientNetB0 en DenseNet121 combineert, gevolgd door een multi-layer perceptron (MLP) met softmax-uitvoer.
   4. Na fine-tuning construeren we de classificatiekop voor elk voorgetraind model met behulp van een globale gemiddelde poollaag, een dichte laag met ReLU-activatie (512 eenheden), een dropoutlaag (p = 0,5) en een softmax-uitvoerlaag.
   5. Plaats een globale gemiddelde pooling (GAP) laag vóór de classificatiekop in elk model.
   6. Om overfitting te verminderen, werd L2-gewichtsregularisatie toegepast op alle volledig verbonden (dichte) lagen in de classificatiekop met een regularisatiecoëfficiënt (λ) van 1 × 10⁻⁴. Deze waarde werd gekozen om effectieve straf van hoge gewichten te bieden, terwijl modelconvergentie en classificatieprestaties tijdens de fine-tuning behouden bleven.
   7. Gebruik een softmax-activatiefunctie in de classificatielaag om 5-klasse DR-voorspelling mogelijk te maken.
   8. Ontwerpkeuzes van basismodellen op basis van eerder werk dat de superieure prestaties van hybride en transfer learning-gebaseerde benaderingen in retinale beeldanalyse^aantoonden, ^3,4.
   9. Gebruik efficientNetB0 en DenseNet121 als parallelle feature-extractors in het geoptimaliseerde hybride ensemblemodel.
   10. Voer gelijktijdig de invoerfundusbeelden in beide vooraf getrainde backbones en haal de definitieve convolutionele featurekaarten uit na de globale gemiddelde pooling (GAP) laag van elk netwerk.
   11. Verbind de resulterende featurevectoren tot een uniforme representatie en voer deze in een MLP bestaande uit twee volledig verbonden lagen (met ReLU-activatie en -dropout), gevolgd door een softmax-uitvoerlaag voor vijf-klasse DR-classificatie.
   12. Adopteer deze late-fusion strategie om de fijnmazige feature-efficiëntie van EfficientNetB0 te integreren met de dichte featurepropagatie van DenseNet121, wat resulteert in gebalanceerde prestaties over vroege en geavanceerde DR-fasen.
   13. Maak gebruik van de MLP om niet-lineaire integratie van complementaire feature-representaties mogelijk te maken, terwijl overfitting wordt verminderd in vergelijking met end-to-end fusie.

4. Modeltraining en optimalisatie (transfer learning, hyperparameters)

1. Voer alle experimenten uit op een werkstation met Ubuntu Linux (versie 20.04 LTS) en Python 3.8.10.
2. Implementeer deep learning-modellen met TensorFlow 2.10.0 met de Keras-backend en voer uit op een NVIDIA Tesla V100 GPU (32 GB VRAM).
3. Schakel GPU-versnelling in met CUDA Toolkit versie 11.2 en cuDNN versie 8.1, die compatibel zijn met de gespecificeerde TensorFlow-release.
4. Implementeer alle preprocessing- en data-augmentatiestappen met OpenCV 4.7.0, NumPy 1.23 en imgaug 0.4.0.
5. Splits de dataset op in trainingssets (70%), validatie (15%) en testsets (15%), en zorg voor klassebalans binnen elke partitie.
6. Train alle modellen op een NVIDIA Tesla V100 GPU met 32 GB VRAM.
7. Maak gebruik van transfer learning door de eerste lagen van voorgetrainde netwerken te bevriezen en de bovenste lagen van fundusbeelden fijn af te stemmen.
8. Initialiseer willekeurig de laatste dichte lagen en train helemaal vanaf nul.
9. Optimaliseer de volgende hyperparameters:
   Optimizer: Adam met β1=0,9, β2=0,999
   Leersnelheid: 1 × 10⁻⁴ met ReduceLROnPlateau scheduler
   Batchgrootte: 32
   Epochs: 50-100 met vroegtijdig stoppen (geduld = 10)
   Verliesfunctie: Categorische kruisentropie
10. Sla modelcontrolepunten op op basis van het minimale validatieverlies.
11. Pak klasse-ongelijkheid aan door categorische klassegewichten omgekeerd evenredig aan de frequentie van de klasse toe te passen tijdens de training.
12. Pas data-augmentatie direct toe met de Keras ImageDataGenerator. Pas een 5-voudige kruisvalidatiestrategie toe om modelrobuustheid te waarborgen en selectiebias te minimaliseren. Gemiddelde prestatie-indicatoren over alle gebieden en rapporteer de bijbehorende standaarddeviaducties.
13. Selecteer hyperparameterwaarden op basis van gevestigde best practices in transfer learning voor medische beeldclassificatie en valideer deze via voorlopige pilotexperimenten op de validatieset.
14. Gebruik de Adam-optimizer voor zijn stabiele convergentie- en adaptieve leersnelheidsgedrag, en stel een initiële leersnelheid in van 1e−4 om trainingsstabiliteit en convergentiesnelheid tijdens het fijnafstellen in balans te brengen.
15. Bepaal empirisch de batchgrootte en de criteria voor vroegtijdige stopzetten om overfitting te minimaliseren terwijl de rekenefficiëntie behouden blijft.

5. Evaluatiemetrieken en validatie (AUC, nauwkeurigheid, gevoeligheid/specificiteit)

1. Evalueer de modelprestaties met behulp van standaard classificatiemetrics. Voer een primaire evaluatie uit van de hold-out testset (n ≈ 8.000 beelden) en rapporteer resultaten voor zowel 5-klasse classificatie als binaire classificatie (refereerbare DR versus niet-refereerbare DR).
2. Bereken de volgende metrieken:
   Nauwkeurigheid: Percentage correcte voorspellingen over alle klassen heen
   Oppervlakte onder de Ontvanger Operating Characteristic Curve (AUC): Berekend voor elke klasse en gemiddeld (macro AUC)
   Gevoeligheid (Herinnering): Werkelijke positieve rate = TP / (TP + FN)
   Specificiteit: Ware negatieve snelheid = TN / (TN + FP)
   F1-Score: Harmonisch gemiddelde van precisie en geheugen
   Verwarringsmatrix: 5 × 5 matrix voor classificatiefoutanalyse
3. Plot Receiver Operating Characteristic (ROC)-curves en precisie-terugroepcurves om modeldiscriminatie te visualiseren.
4. Genereer Grad-CAM (Gradient-weighted Class Activation Mapping) visualisaties voor een subset van correct en onjuist geclassificeerde beelden om de retinale gebieden te markeren die modelvoorspellingen aansturen.
   OPMERKING: Het geoptimaliseerde hybride model behaalde de beste prestaties met een macro-AUC van 0,961, een gevoeligheid van 92,1%, een specificiteit van 89,4% en een algehele nauwkeurigheid van 91,2% voor refereerbare DR-detectie.
5. Benchmark de prestaties met bestaande gepubliceerde modellen op dezelfde datasets en beoordeel de statistische significantie met behulp van gepaarde t-tests en McNemar's test.
6. Evalueer de statistische significantie van prestatieverschillen tussen het hybride ensemblemodel en individuele CNN-architecturen met behulp van gepaarde t-tests voor continue metrieken (AUC, nauwkeurigheid, F1-score) over cross-validatiefolders, en McNemar's test voor gepaarde classificatie-uitkomsten op de testset.
   OPMERKING: Het hybride model toonde statistisch significante verbeteringen ten opzichte van alle single-backbone modellen, met p-waarden < 0,05 voor nauwkeurigheid en AUC, waarmee werd bevestigd dat de waargenomen prestatieverbeteringen niet te wijten waren aan willekeurige variatie. Precisie is een cruciale evaluatiemaatstaf bij DR-screening, vooral om valse positieve voorspellingen te minimaliseren die kunnen leiden tot onnodige verwijzingen, patiëntenangst en een verhoogde zorglast. Precisie wordt gedefinieerd als het aandeel correct voorspelde positieve gevallen onder alle als positief voorspelde gevallen en wordt uitgedrukt als:
   Precision=TPTP+FP\text{Precision} = \frac{TP}{TP + FP}Precision=TP+FPTP
   waarbij TP ware positieven vertegenwoordigt, en FP valse positieven.
7. In de context van DR-detectie wordt hoge precisie geïnterpreteerd als een aanwijzing dat beelden die als DR worden geclassificeerd daadwerkelijk pathologische signalen bevatten, waardoor de betrouwbaarheid van geautomatiseerde screeningssystemen verbetert. Benadruk dat deze maatstaf vooral relevant is voor grootschalige populatiescreening, waarbij overmatige vals-positieven doorverwijzingssystemen kunnen overweldigen. In deze studie wordt de precisie geëvalueerd voor elke DR-graad evenals voor binaire refereerbare DR-detectie om het vermogen van het model te beoordelen om pathologische gevallen nauwkeurig te onderscheiden van gezonde controles.

Resultaten

Dataset-samenvatting en preprocessing-effecten

De gecureerde dataset bestond uit 53.412 kleurfundusbeelden, verspreid over de vijf DR-ernstklassen: Geen DR (0) - 39,2%, mild (1) - 18,4%, Matig (2) - 22,5%, Ernstig (3) - 12,1% en Proliferatieve DR (4) - 7,8%. De gegevens zijn afkomstig van EyePACS, APTOS 2019 en een tertiair Chinees oogheelkundig centrum, wat diversiteit in etniciteit, beeldvormingsomstandigheden en cameraspecificaties waarborg...

Discussie

In deze studie ontwikkelden en evalueerden we rigoureus een hybride ensemblemodel dat EfficientNetB0 en DenseNet121 combineerde, fijn afgesteld met transfer learning en verbeterd met klassieke preprocessingstappen, CLAHE, artefactverwijdering en intensiteitsnormalisatie, voor vijf-klasse DR-beoordeling. Het ensemble behaalde uitstekende prestaties: nauwkeurigheid 91,2%, macroAUC 0,961 en F₁score 0,913 voor referentiebare DR-detectie, en gevoeligheid 92,1% zoals gerapporteerd in Sectie 6....

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Fundus Camera (Topcon, Canon, Zeiss)	Topcon / Canon / Zeiss		Worden gebruikt om high-resolutie kleuren fundus foto's te maken onder verschillende verlichtingsomstandigheden
NVIDIA Tesla V100 GPU	NVIDIA Corporation	Tesla V100	32 GB VRAM; gebruikt voor het trainen van deep learning modellen
Python (OpenCV, imgaug bibliotheken)	Open-source community		Beeldvoorverwerking inclusief CLAHE, artefactverwijdering, normalisatie, augmentatie
TensorFlow 2.10 + Keras	Google Brain		Deep learning framework gebruikt voor CNN modelbouw en training
EfficientNetB0 & DenseNet121 voorgetrainde backbones	Open-source (TensorFlow/Keras Toepassingen)		Transfer learning backbones voorgetraind op ImageNet gebruikt voor DR classificatie