一个强大的基于集体的深度学习框架,用于自动检测视网膜疾病
Goldy Verma1, Rania M Ghoniem2, Sheifali Gupta1
1Chitkara Institute of Engineering and Technology, Chitkara University, Rajpura, India.
Health informatics journal
|November 5, 2025
概括
一个新的深度学习模型ResEfficientNetB3显著提高了自动视网膜疾病检测的准确性和概括性. 这种先进的框架通过提供强大的工具来诊断各种眼睛疾病,以支持临床决策.
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:
- 自动视网膜疾病检测模型往往缺乏通用性和准确性.
- 临床决策需要可靠的诊断工具,用于各种眼睛疾病.
研究的目的:
- 开发一个强大的深度学习框架,用于自动化多类视网膜疾病检测.
- 为了提高临床应用现有模型之外的概括性和准确性.
主要方法:
- 通过集成EfficientNetB3和ResNet50架构,开发了一种新型组合模型ResEfficientNetB3.
- 两个Kaggle数据集 (4217和8230图像跨越4和8类) 被利用数据增强.
- 模型使用Adam优化器进行训练,并进行早期停止和退出,并通过交叉验证和交叉数据集验证进行评估.
主要成果:
- 在数据集1上,ResEfficientNetB3实现了99.0%的准确性,在数据集2上达到98.2%,超过了单个模型.
- 五次交叉验证证实了模型的稳定性 (99.0% ± 0.2和98.2% ± 0.3).
- 跨数据集验证证明了强大的可转移性,达到94.5-95.8%的准确性.
结论:
- ResEfficientNetB3有效地结合了EfficientNetB3和ResNet50,产生了卓越的性能.
- 该模型展示了用于视网膜疾病检测的高精度,稳定性和概括能力.
- 该框架为现实世界自动诊断提供了可靠,临床适用的工具.
