在加纳对机器学习模型进行比较研究,用于自动检测和分类视网膜疾病
Gifty Duah1, Eric Nyarko1, Anani Lotsi1
1Department of Statistics and Actuarial Science, School of Physical and Mathematical Sciences, University of Ghana, Legon, Accra, Ghana.
PloS one
|August 1, 2025
概括
最先进的卷积神经网络 (CNN) 模型在检测视网膜疾病时,通过光学连贯断层扫描 (OCT) 图像显示出高精度. 移动网络和DenseNet121模型在快速诊断中显示出临床应用的重大前景.
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:
- 视网膜疾病对全球健康构成重大挑战,导致视力受损和失明.
- 自动检测这些疾病对于及时干预和管理至关重要.
研究的目的:
- 开发和比较多个最先进的卷积神经网络 (CNN) 模型的性能,以检测视网膜疾病.
- 为了评估这些模型的有效性,使用光学连贯性断层扫描 (OCT) 图像.
主要方法:
- 使用的CNN模型:DenseNet121,ResNet50,Inception V3,以及移动网络.
- 采用预处理技术,包括数据增强,大小调整和一次性编码.
- 使用基于高斯过程的贝叶斯优化 (GPBBO) 微调的超参数,并通过F1-Score,精度,回忆和AUC评估性能.
主要成果:
- 所有评估的CNN模型都在检测和分类视网膜疾病方面表现出强大的能力.
- 移动网络获得了最高的准确性 (96%) 和AUC (0.975),紧随其后的是DenseNet121 (95%准确性,0.963 AUC).
- 开始V3和ResNet50显示出潜在的准确率分别为83%和79%.
结论:
- 先进的CNN模型显示出诊断视网膜疾病的巨大潜力,与其他深度学习模型相比.
- 移动网络和DenseNet121对于临床环境特别有前途,使得快速准确的诊断成为可能.
- 未来的研究应该专注于更大的数据集,多模式数据集成和临床验证.
