增强的糖尿病视网膜病变检测:一种可解释的半监督方法,使用对比学习.
IEEE journal of biomedical and health informatics
|March 17, 2025
概括
这项研究引入了一种新的半监督学习方法,用于检测糖尿病视网膜病变 (DR). 该方法有效地使用未标记和不可靠的数据来提高对这种导致失明的主要原因的诊断准确度.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 是全球失明的主要原因,需要早期检测才能有效治疗.
- 自动化医学图像分析对于及时的DR诊断至关重要,但面临着有限的标记,不平衡和未标记数据的挑战.
- 现有的DR检测半监督学习方法与不可靠的伪标签,数据排除和数据集偏差作斗争.
研究的目的:
- 为增强糖尿病视网膜病变检测开发一种新的半监督学习框架.
- 通过有效利用未标记和低可信度数据来解决当前方法的局限性.
- 提高DR诊断模型的透明度和可解释性.
主要方法:
- 一个新的半监督学习框架,将相似性和对比性学习结合起来,用于DR检测.
- 使用类原型和一组分类器来可靠地生成伪标签.
- 通过对比学习整合不可靠的样本,并使用GradCAM进行模型解释性.
主要成果:
- 拟议的框架在Kaggle DR数据集上表现出比现有的半监督学习方法更好的性能.
- 有效地利用不可靠的样本,增强特征提取和整体模型性能.
- 通过GradCAM集成提供了更好的透明度和可解释性.
结论:
- 新的半监督学习框架为推进糖尿病视网膜病变诊断提供了一个有希望的解决方案.
- 该方法利用不可靠数据的能力意味着自动化DR检测的潜在突破.
- 可解释AI的整合增强了临床信任和采用AI驱动的诊断工具.


