使用贝叶斯方法增强的深度学习进行不确定性意识的糖尿病视网膜病变检测
相关实验视频
Updated: Jun 29, 2026

09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
Mohsin Akram1, Muhammad Adnan1, Syed Farooq Ali1
1Department of Computer Science, School of Systems and Technology, University of Management and Technology, Lahore, 54770, Pakistan.
Scientific reports
|January 8, 2025
概括
贝叶斯深度学习通过提高准确性和为可靠的临床决策提供关键的不确定性估计来增强糖尿病视网膜病变的检测.
科学领域:
- 医疗图像分析 医疗图像分析
- 医疗保健中的人工智能
- 眼科医生 眼科 眼科
背景情况:
- 深度学习模型在医学图像分析方面具有潜力,但缺乏透明度,妨碍对高风险医疗保健决策的信任.
- 不确定性量化对于临床决策至关重要,特别是在糖尿病视网膜病变等疾病中,错误可能会产生严重后果.
- 传统的深度学习模型提供单点预测,未能捕捉基本的不确定性指标.
研究的目的:
- 实施和评估贝叶斯对DenseNet-121模型的扩展,以改善糖尿病视网膜病变的检测.
- 评估不同贝叶斯近似技术 (蒙特卡洛脱落,平均场变量推理,确定性推理) 在量化预测不确定性方面的有效性.
- 通过不确定性估计,提高医疗图像分析中的深度学习模型的可靠性.
主要方法:
- 使用DenseNet-121卷积神经网络架构转移学习.
- 贝叶斯近似技术的应用:蒙特卡洛脱落,平均场变量推理和确定性推理.
- 在组合数据集 (APTOS 2019 + DDR) 和预处理图像上进行的实验.
主要成果:
- 与最先进的方法相比,贝叶斯增强的DenseNet-121模型显示出更高的性能.
- 达到高测试准确度:97.68% (蒙特卡洛掉落),94.23% (平均场变量推理) 和91.44% (确定性).
- 使用和标准偏差指标量化不确定性,提供对模型信心的见解.
结论:
- 贝叶斯深度学习显著提高了对糖尿病视网膜病变检测的分类准确性.
- 来自贝叶斯方法的不确定性估计提高了人工智能驱动的临床决策支持系统的可靠性和可信度.
- 整合不确定性量化对于在医疗保健中安全有效地部署深度学习至关重要.

