ODDM:SMOTE Tomekをディープラーニングと統合して,いくつかの眼疾患の分類のための不均衡の色ファンダス画像

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:

• 眼疾患 (OD) は診断上の大きな課題であり,発見が遅れた場合,失明につながる可能性があります.
• ディープラーニング (DL) モデルは,ODの識別を向上させるのに有望であることが示されています.
• 正確で早期の診断は 効果的な治療と視力の保全に不可欠です

研究 の 目的:

• 7種類の眼疾患を特定するためのマルチ分類のディープラーニングモデルを開発する.
• 眼疾患検出モデル (ODDM) と呼ばれるカスタム型コンボリューションニューラルネットワーク (CNN) を提案する.
• カラーファンドス画像を使用して確立されたベースラインモデルに対してODDMのパフォーマンスを評価する.

主な方法:

• オーダーメイドのCNNモデルであるODDMは,7つの眼疾患を分類するために開発された. 正常な,年齢関連のマキュラ変性,糖尿病性網膜症,緑内障,マキュロパシー,非増殖性糖尿病性網膜症,および増殖性糖尿病性網膜症.
• ODDMは,公開されている眼疾患データセット (ODD) で訓練され,テストされました.
• SMOTE Tomek (SM-TOM) 技術は,データセット内のクラス不均衡に対処するために使用されました. 性能は,DenseNet-201,EfficientNet-B0,Inception-V3,MobileNet,Vgg-16,Vgg-19,およびResNet-50と比較して評価されました.

主要な成果:

• ODDMは,98.94%の高面積 (AUC),97.19%の精度,88.74%のリコール,95.23%の精度,そして88.31%のF1スコアを達成した.
• 統計的有意性はANOVAとTukey HSDのポストホックテストで確認された.
• ODDMは7つのベースラインモデルと他の最先端のアプローチと比較して優れたパフォーマンスを示しました.

結論:

• 提案されたODDMは,多種目の眼疾患の分類のための非常に正確で効果的なディープラーニングソリューションを提供します.
• このモデルの優れた性能は,早期で信頼性の高いOD診断のための臨床環境への統合の可能性を示唆しています.
• この人工知能によるアプローチは 患者の治療結果を改善し 眼疾患による失明の発生率を 減少させる見込みです