Надежная рамка глубокого обучения для раннего выявления диабетической ретинопатии с использованием предварительно обработанных изображений дна и оптимизированных CNN

Summary

В данном исследовании представлен рабочий процесс на основе глубокого обучения для раннего выявления диабетической ретинопатии с использованием предварительно обработанных изображений дна и оптимизированных архитектур сверточных нейронных сетей, что позволяет точно классифицировать заболевания и объяснимую локализацию поражений для масштабируемого клинического применения.

Abstract

Диабетическая ретинопатия (ДР) является одной из ведущих причин потери зрения во всем мире, особенно среди пациентов с плохо контролируемым диабетом. Раннее обнаружение с помощью автоматизированного анализа изображений стало масштабируемым решением для своевременного вмешательства. Модели на основе глубокого обучения, особенно сверточные нейронные сети (CNN), показали значительные перспективы в обнаружении DR на изображениях глаз сетчатки. Целью этого исследования было: (i) разработка ансамблевого фреймворка глубокого обучения с использованием EfficientNetB0 и DenseNet121 для пятиступенчатой классификации DR, (ii) систематическую оценку влияния предварительной обработки изображений дна на диагностическую эффективность, (iii) включение визуальных объяснений локализации поражения на основе Grad-CAM и (iv) достижение высокой диагностической точности с вычислительной эффективностью, подходящей для масштабируемого скрининга. Был отобран набор данных, включающий 53 412 изображений дна с EyePACS, APTOS 2019 и центра третичной медицинской помощи в Китае. Этапы предварительной обработки включали контрастно-ограниченную адаптивную гистограмму эквализацию (CLAHE), удаление артефактов и нормализацию. Трансферное обучение применялось с использованием магистралей EfficientNetB0 и DenseNet121, затем гибридного ассемблинга. Модели оценивались с использованием точности, макро-AUC, чувствительности, специфичности и F1-показателя. Grad-CAM использовался для визуализации локализации поражения. Гибридная ансамблевая модель достигла точности 91,2%, макро-AUC 0,961, чувствительности 92,1% и оценки F1 0,913. Предварительная обработка улучшила производительность на 3–4%, а ансамблевой подход превзошел отдельные CNN. Наложения Grad-CAM подтвердили точную локализацию поражения. Производительность модели оценивалась как для пятиступенчатого градирования DR, так и для бинарного референтного обнаружения DR с учётом требований клинического скрининга. В данном исследовании представлена клинически жизнеспособная, объяснимая модель глубокого обучения для обнаружения ДР. Будущие работы включают внешнюю валидацию независимых наборов данных, перспективную реальную оценку и оптимизацию моделей (например, обрезка и квантование) для мобильных и точечных скрининговых приложений.

Introduction

ДР — это микроваскулярное осложнение сахарного диабета и остаётся одной из ведущих причин предотвратимых нарушений зрения во^{всём мире 1}. Хроническая гипергликемия вызывает повреждение капилляров сетчатки, что приводит к повышению сосудистой проницаемости, образованию микроаневризмы, кровоизлияниям, экссудатам, а на поздних стадиях — к неоваскулярной пролиферации. Без своевременного вмешательства эти изменения могут перерасти в стекловидное кровоизлияние, отслоение сетчатки тяги и необратимую потерю^{зрения 1,2}. Эпидемиологические исследования оценивают, что примерно у 35 процентов пациентов с диабетом наблюдается определённая степень ДР, при этом почти у 10 процентов развивается угрожающая зрению ретинопатия^{каждый год 2}. Глобальные тенденции показывают, что распространённость ДР значительно выросла за последние два десятилетия. Знаковый мета-анализ сообщил о росте распространённости ДР с 13,6 процента в начале 2000-х до более чем 20 процентов к 2020^году. Аналогично, частота угрожающих зрению ДР и диабетического макулярного отёка показала восходящую траекторию, особенно в регионах с низким и средним уровнем^{дохода 3}. Ограниченный доступ к услугам офтальмологического скрининга в сельских и экономически неблагополучных районах способствует задержке диагностики и^{лечения 5}.

Раннее выявление ДР имеет решающее значение, поскольку вмешательства на непролиферативных стадиях, такие как фокальная или пан-ретинальная лазерная фотокоагуляция, интравитреальная терапия антисосудистым эндотелиальным фактором роста (анти-VEGF) и витректомия, могут эффективно предотвратить прогрессирование потери^{зрения 6}. Тем не менее, традиционные программы скрининга часто полагаются на ручную коррекцию цветных фотографий дна квалифицированными специалистами — ресурсоёмкий процесс, ограничивающий масштабируемость и своевременное^{покрытие 5}. Инициативы в области телеофтальмологии частично устранили эти пробелы, однако они всё ещё зависят от ограниченной доступности специалистов и стандартизированных протоколов ^{визуализации 7}. Достижения в области искусственного интеллекта (ИИ), особенно глубокого обучения (DL), привели к внедрению автоматизированных решений, способных с высокой точностью и скоростью обнаруживать и оценивать DR по изображениям дна. CNN извлекают иерархические признаки, такие как микроаневризмы, кровоизлияния и эксудаты, и достигли чувствительности и специфичестей, превышающих 90 процентов на эталонных наборах^{данных 8,9}. Знаковые исследования Гулшана и др., а также Тинга и др. показали, что алгоритмы DL могут соперничать или превосходить экспертных оценщиков в выявлении реферируемых DR, открывая путь к регуляторным одобрениям автономных систем^{скрининга 8,9}. Последующие исследования были посвящены трансферному обучению, ансамблевому моделированию и гибридным архитектурам нейронных сетей CNNrecurrent для повышения обобщимости в различных условиях визуализации и популяциях^{пациентов 10,11}.

Несмотря на эти обнадёживающие результаты, ряд проблем препятствует клиническому переводу скрининга DR на основе DL. Во-первых, надёжная производительность требует больших, хорошо аннотированных наборов данных, фиксирующих вариабельность устройств визуализации, этнических групп и проявлений заболеваний¹². Несогласованность аннотаций среди оценщиков дополнительно усложняет обучение и оценку модели. Во-вторых, этапы предварительной обработки изображений, такие как усиление контраста с помощью CLAHE, шумоподавление и нормализация цвета, существенно влияют на видимость тонких поражений и, следовательно, на надёжность извлечения^{признаков 13}. В-третьих, интерпретируемость моделей остаётся активной областью исследований; Клиницисты требуют прозрачных инструментов поддержки принятия решений, которые выделяют заметные области изображения, определяющие алгоритмические^{прогнозы 14}. Наконец, необходимы нормативные рамки и анализ экономической эффективности для интеграции инструментов ИИ в существующие пути скрининга, особенно в условиях ограниченных^{ресурсов 15}. Настоящее исследование решает эти проблемы, предлагая комплексную структуру DL для раннего обнаружения DR, которая интегрирует оптимизированную предобработку изображений дна, современные архитектуры CNN и стратегии трансферного обучения. Мы используем CLAHE и автоматизированное удаление артефактов для улучшения контраста поражений, а затем тонкой настройке предварительно обученных CNN-магистралей для использования крупномасштабных естественных особенностей изображения. Соответственно, данная работа предлагает объяснимую структуру глубокого обучения для раннего обнаружения DR, которая интегрирует оптимизированную предобработку изображений дна с эффективными архитектурами ансамбля CNN (рисунок 1). Ключевые вклады этого исследования включают систематическую оценку стратегий предварительной обработки, разработку вычислительно эффективного гибридного ансамбля и внедрение визуальной объяснимости для поддержки клинической интерпретации. Взаимодействуя с точностью, прозрачностью и возможностью внедрения, это исследование стремится повысить практическую применимость скрининга DR с помощью ИИ. ДР прогрессирует через пять клинически определённых стадий: отсутствие ДР, лёгкий, умеренный, тяжёлый непролиферативный ДР и пролиферативный ДР. Ранние стадии характеризуются микроаневризмами и лёгкими кровоизлияниями, тогда как поздние стадии сопровождаются обширным повреждением сосудов, неоваскуляризацией и риском потери зрения. Симптомы часто остаются бессимптомными до поздних стадий, что делает автоматизированный скрининг критически важным для раннего вмешательства.

Рисунок 1: Графическое изображение работы, представленной в рукописи Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Для решения этих задач в исследовании представлен структурированный протокол глубокого обучения для обнаружения DR, интегрирующий стандартизированную предобработку изображения фундуса, оптимизированное обучение сверточной нейронной сети и интерпретируемые результаты моделей в едином рабочем процессе. Протокол разработан для повышения воспроизводимости и методологической прозрачности, чётко описывая стратегии предварительной обработки, архитектуру модели и обучающие конфигурации. Подчеркивая вычислительно эффективный лёгкий ансамбль и используя визуальные объяснения на основе Grad-CAM, предлагаемый метод определяет практическую и интерпретируемую структуру, предназначенную для согласованной оценки между гетерогенными многоцентровыми наборами сетчаточных изображений.

Protocol

Это исследование включало ретроспективный анализ. В соответствии с институциональными и национальными правилами формальное одобрение этических комитетов и информированное согласие были отменены, поскольку не было доступа или использования не было идентифицируемой информации о пациентах.

1. Источники данных и получение

1. Переобозначения всех изображений в соответствии с Международной шкалой тяжести клинической диабетической ретинопатии (ICDR) (степени 0-4)¹⁰, чтобы обеспечить согласованность между наборами данных, полученными из EyePACS, APTOS 2019 и когорты третичного ухода.
2. Сопоставьте исходные метки наборов данных с уже существующими аннотациями в шкале ICDR для сохранения единообразия.
3. Независимо оценивайте все изображения фундуса двумя сертифицированными офтальмологами с опытом скрининга DR.
4. Полностью замаскируйте оба оценщика по исходному коду данных, идентификаторам пациентов, клинической истории и прогнозам модели, чтобы минимизировать оценочную смещённость. Представляйте изображения в рандомизированном порядке с использованием анонимных идентификаторов файлов.
5. Оценивать оценку строго в соответствии с шкалой тяжести ICDR (оценки 0-4).
6. Количественно оценить согласование между градаторами до консенсусной маркировки с помощью взвешенной каппы Коэна (κw) с квадратичными весами для учёта порядкового характера степеней тяжести DR.
7. Интерпретировать силу согласия в соответствии со стандартными порогами (κ < 0,20, слабый; 0,21-0,40, справедливый; 0,41-0,60, умеренный; 0,61-0,80, существенный; > 0,80, близок к совершенству). Разрешить разные оценки посредством совместного консенсусного рассмотрения. Используйте консенсусную оценку как окончательный эталонный стандарт для обучения и оценки моделей.
8. Перед обучением модели стандартизируйте все изображения с единообразным разрешением 512 × 512 пикселей и единым цветовым пространством, а также применяйте идентичные процедуры предварительной обработки, чтобы минимизировать изменчивость между наборами данных, возникающую из-за различий между устройствами камеры, протоколами захвата и условиями освещения.
   ПРИМЕЧАНИЕ: В частности, предобработка включала: (i) изменение размера изображения и стандартизацию RGB, (ii) зелёный канал CLAHE для усиления контраста, (iii) удаление фоновых артефактов с помощью кругового маскирования и адаптивного порогового узначения, (iv) нормализацию интенсивности по каналам, а также (v) шумоподавление и усиление краёв с использованием гауссовой фильтрации и нерезкого маскирования.
9. Получение изображений дна с помощью нескольких коммерчески доступных камер цветного дна (Topcon, Canon и Zeiss) в условиях рутинного клинического скрининга (см. рисунок 2).
10. Разрешить параметры получения изображения различаться в зависимости от устройства, но стандартизировать их в типичных диапазонах скрининга, включая поле зрения 30°–45°, родное разрешение изображения от примерно 2 048 × 1 536 до 3 872 × 2 592 пикселей и 24-битную глубину цвета (8 бит на RGB-канал).
11. Используйте как мидриатические, так и не-мидриатические протоколы визуализации, чтобы отразить реальные практики скрининга. Запечатлевать все изображения в виде однополевых фотографий с центром макулы при переменном освещении, а затем изменять размер и предварительно обрабатывать изображения с помощью идентичного конвейера перед обучением модели (см. рисунок 2).
12. Анонимизируйте все изображения перед использованием в соответствии с руководящими принципами^{HIPAA 12, 13, 14}.
    ПРИМЕЧАНИЕ: Используйте только одно изображение на глаз, чтобы избежать внутреннего смещения. Исключать изображения, соответствующие одному или более из следующих заранее определённых критериев качества: (i) слабая фокусировка или размытие, скрывающее сосуды сетчатки и микроаневризмы, оцениваемые по резкости краёв и видимости сосуда; (ii) чрезмерное размытие или дефокусировка движения, затрагивающее более 25% поля сетчатки; (iii) потеря поля, определяемая как неполная визуализация зрительного диска или макулярной области; или (iv) артефакты сильного освещения, такие как насыщение или тень, мешавшие видимости поражения.
13. Проводите независимую оценку качества двумя рецензентами и разрешайте любые разногласия на основе консенсуса.
    1. EyePACS Dataset: Используйте набор данных EyePACS, полученный в Kaggle. Включите все доступные цветные изображения дна и сохраняйте предоставленные оценки DR, указанные в метаданных набора данных.
    2. Набор данных APTOS 2019: Используйте набор данных APTOS 2019, полученный от Kaggle, состоящий примерно из 3600 однополевых цветных изображений дна, полученных в условиях стандартизированного скрининга.
    3. Индийский клинический набор данных: используйте индийский клинический набор данных из больниц, состоящий из цветных изображений дна. Фиксируйте общее количество изображений и используйте оценки DR, присвоенные квалифицированными офтальмологами, в качестве эталонных меток.

Рисунок 2: Репрезентативные фотографии цветного дна, изображающие различные стадии диабетической ретинопатии. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой картины.

2. Предварительная обработка (CLAHE, нормализация, удаление артефактов)

1. Использовать многоступенчатый конвейер предварительной обработки для улучшения видимости поражения и снижения вариабельности из-за условий визуализации.
2. Уменьшите размер каждого цветного изображения дна до 512 × 512 пикселей, чтобы сохранить равномерные входные размеры для моделей глубокого обучения.
3. Выполните усиление контраста с помощью CLAHE, применяемого исключительно к зелёному каналу каждого изображения дна, так как этот канал обеспечивает оптимальный контраст сосудов и микроаневризмы.
4. Реализуйте CLAHE с использованием библиотеки OpenCV с ограничением клипов 2.0 для предотвращения чрезмерного усиления шума и размером сетки тайлов 8 × 8 для локального усиления контраста по всему сетчатке.
5. Комбинируйте обработанный зелёный канал с красным и синим каналами, чтобы восстановить улучшенное RGB-изображение. Зафиксируйте все параметры CLAHE и примените их идентично ко всем изображениям в наборах обучения, валидации и тестирования для обеспечения воспроизводимости.
6. Далее нормализуйте изображения до нуля среднего и единичного дисперсии с помощью нормы по каналам.
7. Удалите фоновые артефакты, такие как чёрные рамки и ореолы освещения, с помощью кругового маскирования и адаптивного порога.
8. Применяйте гауссову фильтрацию и нерезкое маскирование для снижения шума и сохранения краёв соответственно. Примените следующее усиление контраста — гауссовскую фильтрацию для подавления шума: используйте ядро 5 × 5 со стандартным отклонением (σ) 1,0, реализуйте симметрично как в горизонтальном, так и в вертикальном направлении.
   ПРИМЕЧАНИЕ: Этот этап снижает высокочастотный шум, сохраняя при этом тонкие сосудистые структуры.
9. Выполните нерезкое маскирование, вычитая размытую версию изображения из исходного, чтобы подчеркнуть границы поражений.
10. В частности, вычесть изображение, размытое по Гауссу (размер ядра 5 × 5, σ = 1,0) с весом резкости 1,5 и добавить полученное изображение обратно к оригиналу, чтобы получить итоговый резкий результат.
11. Фиксируйте все параметры и применяйте их равномерно во всех наборах данных.
12. Включите дополнительную предобработку, упомянутую ниже, для моделирования реальных вариативных данных и расширения данных обучения:
    1. Применяйте случайное горизонтальное переворачивание к каждому тренировочному изображению с вероятностью 0,5, чтобы учесть анатомическую симметрию сетчатки влево-вправо.
    2. Примените случайное вертикальное переворот с вероятностью 0,5, обеспечивая отражение вариаций ориентации, часто встречающейся при получении изображения дна.
    3. Применяйте случайное вращение в диапазоне от -15° до +15°, отобранные равномерно, с вероятностью 0,7 для имитации небольшого наклона камеры и движения головы пациента.
    4. Примените случайное увеличение в диапазоне ± 10% от исходного размера изображения с вероятностью 0,5, затем по центру обрезания или заполнения для восстановления входного разрешения 512 × 512 пикселей.
    5. Применяйте случайную регулировку яркости, масштабируя интенсивность пикселей в диапазоне от 0,9 до 1,1 с вероятностью 0,4, чтобы моделировать вариативность освещения на разных устройствах.
    6. Примените случайную корректировку контраста, масштабируя контрастность изображения в пределах факторного диапазона 0,9-1,1 с вероятностью 0,4, чтобы повысить устойчивость к разницам экспозиции.
    7. Убедитесь, что все улучшения применяются только к учебному набору и выполняются на ходу во время обучения моделей, при этом валидационные и тестовые изображения остаются недополненными.
    8. Поддерживать фиксированные параметры дополнения на протяжении всего обучения для обеспечения воспроизводимости и постоянного воздействия модели контролируемой вариабельности.
13. Реализуйте этапы предварительной обработки с использованием библиотек OpenCV и изображений Python, а также обеспечьте согласованные трансформации между наборами обучения и валидации.

3. Архитектура модели (варианты CNN, оптимизированные слои)

1. Изучите несколько архитектур CNN для классификации DR и изучите три варианта моделей, упомянутых ниже.
   1. Базовый CNN — пользовательский 6-слойный CNN с пакетной нормализацией, активацией ReLU, максимальным пулом и dropout (p = 0.5).
   2. Модели трансферного обучения — предварительно обученные магистрали CNN, включая ResNet50, EfficientNetB0 и DenseNet121, инициализированные с весами ImageNet и тонко настроенные на изображениях DR.
   3. Оптимизированная гибридная модель — ансамблевая модель, объединяющая экстракторы признаков из EfficientNetB0 и DenseNet121, за которыми следует многослойный перцептрон (MLP) с softmax-выходом.
   4. После тонкой настройки постройте классификационную головку для каждой предварительно обученной модели с использованием слоя глобального среднего пула, плотного слоя с активацией ReLU (512 единиц), слоя dropout (p = 0.5) и слоя softmax выхода.
   5. Разместите слой глобального среднего пула (GAP) перед заголовком классификации в каждой модели.
   6. Для снижения перенагонки к всем полностью соединённым (плотным) слоям в головке классификации применялась регуляризация веса L2 с коэффициентом регуляризации (λ) 1 × 10⁻⁴. Это значение было выбрано для обеспечения эффективного наказания больших весов при сохранении сходимости модели и классификационных характеристик при тонкой наладке.
   7. Использовать функцию активации softmax в слое классификации для обеспечения прогнозирования 5-классового DR.
   8. Выборы по проектированию базовой модели на основе предыдущих работ, демонстрирующих превосходную эффективность гибридных и трансферных методов обучения в анализе изображения^{сетчатки 3,4}.
   9. Используйте efficientNetB0 и DenseNet121 как параллельные экстракторы признаков в оптимизированной гибридной ансамблевой модели.
   10. Одновременно подавайте входные изображения фундуса в оба предварительно обученных магистраля и извлекайте окончательные сверточные карты признаков после уровня глобального среднего пулирования (GAP) каждой сети.
   11. Объединить полученные векторы признаков для формирования единого представления и подать их в MLP, состоящий из двух полностью связанных слоёв (с активацией и выходом ReLU), за которыми следует слой softmax для классификации DR по пяти классам.
   12. Примените эту стратегию позднего синтеза для интеграции тонкой эффективности признаков EfficientNetB0 с плотным распространением функций DenseNet121, что приведёт к сбалансированной производительности на ранних и продвинутых этапах DR.
   13. Используйте MLP для обеспечения нелинейной интеграции комплементарных представлений признаков, одновременно снижая переподгонку по сравнению с сквозным синтезом.

4. Обучение и оптимизация моделей (трансферное обучение, гиперпараметры)

1. Проведите все эксперименты на рабочей станции с Ubuntu Linux (версия 20.04 LTS) с Python 3.8.10.
2. Реализуйте модели глубокого обучения с использованием TensorFlow 2.10.0 с бэкендом Keras и запускайте на видеокарте NVIDIA Tesla V100 (32 ГБ видеопамяти).
3. Включить ускорение GPU с помощью CUDA Toolkit версии 11.2 и cuDNN версии 8.1, которые совместимы с указанным релизом TensorFlow.
4. Реализуйте все этапы предварительной обработки и дополнения данных с использованием OpenCV 4.7.0, NumPy 1.23 и imgaug 0.4.0.
5. Разделите наборы данных на обучающие (70%), валидационные (15%) и тестовые (15%) наборы, а также обеспечьте баланс классов внутри каждого раздела.
6. Обучите все модели на видеокарте NVIDIA Tesla V100 с 32 ГБ видеопамяти.
7. Используйте трансферное обучение, замораживая начальные слои предварительно обученных сетей и тонко настраивая верхние слои на изображениях дна.
8. Случайным образом инициализируйте последние плотные слои и тренируйте с нуля.
9. Оптимизируйте следующие гиперпараметры:
   Оптимизатор: Адам с β1=0,9, β2=0,999
   Скорость обучения: 1 × 10⁻⁴ с планировщиком ReduceLROnPlateau
   Размер партии: 32
   Эпохи: 50-100 с ранней остановкой (терпение = 10)
   Функция потерь: категориальная кросс-энтропия
10. Сохраняйте контрольные точки модели на основе минимальных потерь валидации.
11. Устраняйте дисбаланс классов, применяя категориальные веса классов, обратно пропорциональные частоте занятий во время обучения.
12. Применяйте дополнение данных на лету с помощью Keras ImageDataGenerator. Использовать пятикратную стратегию перекрёстной валидации для обеспечения устойчивости модели и минимизации смещения отбора. Средние показатели эффективности по всем сгибам и соответствующие стандартные отклонения.
13. Выберите значения гиперпараметров на основе установленных лучших практик трансферного обучения для классификации медицинских изображений и проверьте их через предварительные пилотные эксперименты на валидационном наборе.
14. Используйте оптимизатор Адама для стабильного поведения при сходимости и адаптивной скорости обучения, установите начальную скорость обучения 1e−4 для балансировки стабильности тренировки и скорости сходимости во время тонкой настройки.
15. Эмпирически определите размер партии и критерии раннего остановки, чтобы минимизировать переподгонку при сохранении вычислительной эффективности.

5. Метрики оценки и валидация (AUC, точность, чувствительность/специфичность)

1. Оценивайте производительность модели с использованием стандартных классификационных метрик. Проведите первичную оценку тестового набора (n ≈ 8 000 изображений) и сообщите результаты как по классификации по 5 классов, так и по бинарной классификации (реферируемая DR против нереферируемой DR).
2. Вычислите следующие метрики:
   Точность: процент правильных прогнозов по всем классам
   Площадь под кривой рабочей характеристики приёмника (AUC): рассчитано для каждого класса и усреднено (макро AUC)
   Чувствительность (Отзыв): Истинный положительный процент = TP / (TP + FN)
   Специфичность: Истинно отрицательная ставка = TN / (TN + FP)
   F1-Score: гармоническое среднее точности и воспоминания
   Матрица путаницы: матрица 5 × 5 для анализа ошибок классификации
3. Постройте кривые рабочей характеристики приёмника (ROC) и кривые точности воспоминания для визуализации различия моделей.
4. Генерируйте визуализации Grad-CAM (Gradient-взвешенное отображение активации классов) для подмножества правильно и ошибочно классифицированных изображений, чтобы выделить области сетчатки, определяющие прогнозы модели.
   ПРИМЕЧАНИЕ: Оптимизированная гибридная модель достигла наилучших результатов с макро-AUC 0,961, чувствительностью 92,1%, специфичностью 89,4% и общей точностью 91,2% при обнаружении реферируемого DR.
5. Сравните производительность с существующими опубликованными моделями на тех же наборах данных и оцените статистическую значимость с помощью парных t-тестов и теста МакНемара.
6. Оценить статистическую значимость различий в производительности между гибридной моделью ансамбля и отдельными архитектурами CNN с помощью парных t-тестов для непрерывных метрик (AUC, точность, F1-балл) по кросс-валидационным сгибам, а также теста МакНемара для парных результатов классификации на тестовом наборе.
   ПРИМЕЧАНИЕ: гибридная модель показала статистически значимые улучшения по сравнению со всеми одномагистральными моделями, с p-значениями < 0,05 для точности и AUC, что подтверждает, что наблюдаемые приросты производительности не обусловлены случайными вариациями. Точность — это критически важный показатель оценки в скрининге DR, особенно для минимизации ложноположительных прогнозов, которые могут привести к ненужным направлениям, тревожности пациентов и увеличению медицинской нагрузки. Точность определяется как доля правильно предсказанных положительных случаев среди всех случаев, предсказанных как положительный, и выражается так:
   Precision=TPTP+FP\text{Precision} = \frac{TP}{TP + FP}Precision=TP+FPTP
   где TP представляет истинные положительные результаты, а FP — ложноположительные.
7. В контексте обнаружения DR интерпретация высокой точности как указание на то, что изображения, классифицируемые как имеющие DR, действительно содержат патологические признаки, что повышает надёжность автоматизированных систем скрининга. Подчеркнуть, что этот показатель особенно важен для крупномасштабного скрининга популяции, где чрезмерные ложноположительные результаты могут перегрузить системы направлений. В данном исследовании оценивают точность для каждой степени DR, а также для обнаружения бинарных реферируемых DR, чтобы оценить способность модели точно различать патологические случаи от здоровых контрольных групп.

Results

Сводка и эффекты предварительной обработки наборов данных

Отбираемый набор данных включал 53 412 цветных изображений фундуса, распределённых по пяти классам тяжённости ДР: отсутствие ДР (0) — 39,2%, лёгкое (1) — 18,4%, умеренное (2) — 22,5%, тяжёлое (3) — 12,1% и пролиферативное ДР (4) — 7,8%. Данные получены из EyePACS, APTOS 2019 и третьего китайского офтальмологического центра, обеспечивая разнообразие этнической принадлежности, условий съё...

Discussion

В этом исследовании мы разработали и тщательно оценили гибридную ансамблевую модель, объединяющую EfficientNetB0 и DenseNet121, тонко настроенную с помощью трансферного обучения и дополненную классическими этапами предварительной обработки, CLAHE, удалением артефактов и нормализацией интенсивности, для пятиклассной оценки DR. Ансамбль достиг выдающихся результатов: точности 91,2%, макроAUC 0,961 и F₁score 0,913 для обнаружения реферируемого DR, а чувствительность — 92,1%, как указано в р...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Фундус Камера (Topcon, Canon, Zeiss)	Topcon / Canon / Zeiss		Используется для съёмки высококачественных цветных фотографий фундуса при различных условиях освещения
Видеокарта NVIDIA Tesla V100	Корпорация NVIDIA	Tesla V100	32 ГБ видеопамяти; Используется для обучения моделей глубокого обучения
Python (OpenCV, библиотеки imgaug)	Сообщество с открытым исходным кодом		Предварительная обработка изображений, включая CLAHE, удаление артефактов, нормализацию, дополнение
TensorFlow 2.10 + Keras	Google Brain		Фреймворк глубокого обучения, используемый для построения и обучения моделей CNN
EfficientNetB0 & DenseNet121 предварительно обученные магистрали	Открытый исходный код (приложения TensorFlow/Keras)		Магистрали трансферного обучения, предварительно обученные на ImageNet, используемые для классификации DR