説明可能なAIによる多種目の網膜疾患検診のための軽量なCNN

科学分野:

• 眼科について
• 人工知能
• 医療用イメージング

背景:

• 現在,網膜疾患のスクリーニングのためのディープラーニングモデルは,クラス不均衡,大きなモデルサイズ,透明性の欠如という課題に直面しています.
• 網膜疾患の正確かつ適時な検出は,不可逆的な視力喪失を防ぐために極めて重要です.

研究 の 目的:

• 正確で透明な網膜疾患検出のための軽量で注意力を増強したコンボリューションニューラルネットワーク (CNN) を開発する.
• クラス不均衡,モデルサイズ,不透明な推論など,既存のディープラーニングスクリーニングの限界に対処する.

主な方法:

• 新しく開発されたCNNアーキテクチャは 深く分離可能なコンボリュション,圧縮と興奮,そしてグローバル・コンテキストの注意を組み合わせたものです
• グラデントベースのクラスアクティベーションマッピング (Grad-CAMとGrad-CAM++) は,ピクセルレベルの説明性のために統合されました.
• 厳格に不均衡な10クラスカラーファンドスのデータセットは,合成マイノリティーオーバーサンプリング技術 (SMOTE) とタスク固有の拡張を使用して再バランスされました.

主要な成果:

• 軽量なネットワークは87.9%のテスト精度を達成し,Inception-V3を58%のエラー削減で上回った.
• 8つの疾患で高い真の陽性率 (> 95%) が記録され,顕著なF1スコアはマキュラ・スカー (0. 77) と中央血清性コレレチノパシー (0. 89) でした.
• 重要な病理的特徴を突出し,モデルの意思決定プロセスを検証しました.

結論:

• ターゲット化されたクラス再バランス,軽量な注意力メカニズム,統合された説明性は,正確で透明で展開可能な網膜スクリーニングを可能にします.
• 開発されたモデルは,リソースが限られたハードウェアでも,ケアポイントの眼科トリアージに適しています.
• このアプローチは,世界的に網膜疾患の早期発見と管理を改善するための有望な解決策です.