OpthaNet: 高精度多クラス眼科画像分類のための注意機構統合アーキテクチャ
Souhardo Rahman1, Md Nasif Safwan1, Mahamodul Hasan Mahadi1
1Department of Computer Science American International University-Bangladesh Dhaka Bangladesh.
Healthcare technology letters
|February 25, 2026
まとめ
本研究では、白内障、糖尿病網膜症、緑内障などの眼疾患を分類するための深層学習モデルを比較しました。最適化されたモデルは大幅な精度向上を示し、AIの有効性を実証しました。
科学分野:
- 眼科診断
- ヘルスケアにおける人工知能
- 医用画像解析
背景:
- 畳み込みニューラルネットワーク（CNN）やTransformerを含む深層学習モデルは、眼科診断においてますます利用されています。
- 眼疾患の多クラス分類に関するこれらのモデルの直接的な比較は限られています。
- 高性能システムはしばしば大量の計算リソースを必要とし、実用的なスクリーニングに課題を提起します。
研究 の 目的:
- 白内障、糖尿病網膜症、緑内障の多クラス分類における、事前学習済み深層学習モデルの有効性を調査・比較すること。
- 特徴選択性や限られたデータでの過学習など、眼科領域における転移学習の実用的なボトルネックに対処すること。
- EfficientNetB3、MobileNetV2、Vision Transformerモデルの調整された変更を評価すること。
主な方法:
- 特定のカスタマイズを施したEfficientNetB3、MobileNetV2、Vision Transformerモデルの評価。
- EfficientNetB3およびMobileNetV2用の注意機構強化特徴洗練モジュールとOpthaHead分類器の実装。
- Vision Transformerモデルの最適化のためのMETAカスタマイズの適用。
- 眼疾患の多クラス分類のための眼底画像を用いたトレーニングと検証。
主要な成果:
- 最適化されたEfficientNetB3は、ベースラインと比較して10.84%向上した96.04%の精度を達成しました。
- 最適化されたMobileNetV2は、精度と計算効率のバランスを取りながら11.26%の改善を示しました。
- META-カスタマイズされたVision Transformerのパフォーマンスは18%以上向上し、限られた医療データに対する複雑性の低減の利点を示唆しました。
結論:
- AI駆動型分類は、一般的な眼疾患の検出において高いパフォーマンスを示します。
- 調整されたモデル変更は、眼科診断における精度と効率を大幅に向上させることができます。
- AIツールは、早期の眼疾患検出において大きな可能性を秘めており、臨床的意思決定と患者の転帰を改善します。
