用可解释AI进行多类视网膜疾病查的轻量级CNN
Arjun Kumar Bose Arnob1, Muhammad Hasibur Rashid Chayon1, Fahmid Al Farid2
1Department of Computer Science, American International University-Bangladesh, Dhaka 1229, Bangladesh.
Journal of imaging
|August 27, 2025
概括
这项研究引入了一种轻量级的深度学习模型,用于准确检测视网膜疾病,克服类失衡,为临床决策提供透明的像素级证据. 这种新的方法提高了早期诊断,并支持在资源有限的环境中进行诊断.
科学领域:
- 眼科 眼科
- 人工智能
- 医学成像
背景情况:
- 目前用于视网膜疾病查的深度学习模型面临着阶级不平衡,模型大小和缺乏透明度的挑战.
- 准确及时检测视网膜疾病对于预防不可逆转的视力损失至关重要.
研究的目的:
- 开发一个轻量级的,注意力增强的卷积神经网络 (CNN),用于准确和透明的视网膜疾病检测.
- 解决现有的深度学习选器的局限性,包括类不平衡,模型大小和不透明推理.
主要方法:
- 一个新的CNN架构结合了深度可分离的卷曲,挤压和激发以及全球背景的注意力.
- 基于梯度的类激活映射 (Grad-CAM和Grad-CAM++) 被集成为像素级的可解释性.
- 一个严重不平衡的十类颜色基数数据集使用合成少数超样本技术 (SMOTE) 和特定任务的增量进行了重新平衡.
主要成果:
- 轻量级网络实现了87.9%的测试准确度,超过Inception-V3的58%.
- 八种疾病的确诊率高 (> 95%),其中斑点痕 (0. 77) 和中央血清性胆色素变异 (0. 89) 的F1得分显著.
- 突出性地图成功突出了关键的病理特征,验证了模型的决策过程.
结论:
- 有针对性的类再平衡,轻量级的注意力机制和集成的可解释性使得视网膜查能够准确,透明和可部署.
- 开发的模型适用于眼科诊断,即使在资源有限的硬件上也是如此.
- 这种方法为改善全球视网膜疾病的早期检测和管理提供了有希望的解决方案.
相关概念视频
01:32The Retina
56.7K
The retina is a layer of nervous tissue at the back of the eye that transduces light into neural signals. This process, called phototransduction, is carried out by rod and cone photoreceptor cells in the back of the retina.
56.7K
01:27Diabetic Retinopathy
65
DefinitionDiabetic retinopathy is a microvascular complication of diabetes affecting the retinal blood vessels.Risk FactorsDiabetic retinopathy is present in almost all individuals with type 1 diabetes and more than 60% of those with type 2 diabetes after two decades of disease.The risk increases with poor glycemic control, hypertension, dyslipidemia, smoking, pregnancy, and puberty.Although cataracts and glaucoma are also more frequent in people with diabetes, retinopathy remains the leading...
65