糖尿病视网膜病变严重程度分类的创新方法:使用CNN-变压器融合的AI驱动工具
Khosro Rezaee1, Fateme Farnami2
1Department of Biomedical Engineering, Meybod University, Meybod, Iran.
Journal of biomedical physics & engineering
|April 22, 2025
概括
结合CNN和变压器的新深度学习模型准确检测糖尿病视网膜病变 (DR) 和其严重程度. 这种人工智能工具提高了诊断可靠性和通用性,有助于早期干预,防止视力丧失.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 是糖尿病导致失明的主要原因,损害视网膜血管.
- 目前用于DR诊断的深度学习模型在不一致的性能,有限的数据和糟糕的解释性方面扎,阻碍了临床使用.
研究的目的:
- 开发和评估一个先进的深度学习框架,以改进DR检测和严重性分类.
- 这项研究旨在提高诊断糖尿病视网膜病变的准确性,可靠性和概括性.
主要方法:
- 开发了一种混合深度学习模型,集成卷积神经网络 (CNN) 来进行本地特征提取和用于远程依赖分析的变压器.
- 该模型在增强的APTOS 2019数据集上进行了训练,通过数据增强解决了类不平衡.
- 用准确度,AUC,特异性和灵敏度来评估性能,并在IDRiD数据集上进行验证.
主要成果:
- 该模型在APTOS 2019数据集上实现了94.28%的准确性,用于DR分类和严重性评估.
- 在IDRiD数据集上的验证显示了强大的通用性,准确率为95.23%.
- 这些发现凸显了该模型在各种数据集中的有效性.
结论:
- 开发的AI驱动的诊断工具为糖尿病视网膜病变管理提供了高性能,可靠性和通用性.
- 通过这种人工智能工具的早期检测和准确的严重程度评估可以显著改善患者的护理,并预防视力丧失.
