任务优化视觉变压器用于在资源有限的早期诊断环境中检测和分类糖尿病视网膜病变
Ramasubramanian Bhoopalan1, Priyadharshini Sekar1, N Nagaprasad2
1Department of Electronics and Communication Engineering, SRM TRP Engineering College, Irungalur, Tamil Nadu, India.
Scientific reports
|November 7, 2025
概括
一个新的任务优化视觉转换器 (TOViT) 模型有效地检测糖尿病视网膜病变 (DR) 并对其严重程度进行分类. 这种高效的AI可以在低成本的硬件上实时选,从而改善早期诊断的机会.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 糖尿病视网膜病变 (DR) 是全球可预防失明的主要原因之一.
- 早期的DR检测和分类至关重要,但具有挑战性,特别是在资源有限的地区.
- 现有的深度学习模型与远程依赖性和DR分析的计算需求扎.
研究的目的:
- 开发一个高效的AI模型用于糖尿病视网膜病变的检测和严重程度的分类.
- 优化视觉变压器模型,以提高功能提取和计算效率.
- 为了在像Raspberry Pi-4这样的低成本硬件上实现实时DR选.
主要方法:
- 引入了一个任务优化视觉转换器 (TOViT) 模型,具有优化的学习速度,注意力和嵌入维度.
- 采用结构化修剪和8位量子化用于模型压缩.
- 在三个大型公共数据集上评估性能,并在Raspberry Pi-4硬件上实施.
主要成果:
- 在所有DR阶段实现了99%的分类准确度和F1分数超过93%.
- 在Raspberry Pi-4上展示了实时性能,以每秒8的速度处理,延迟120毫秒.
- 证实了该模型适用于便携式护理点查设备的适用性.
结论:
- 托维特模型为自动化DR诊断提供了一个可扩展和临床相关的解决方案.
- 优化的AI模型可以克服医疗成像传统深度学习的计算局限性.
- 这种方法具有显著的潜力,可以在全球医疗保健系统中扩大早期视网膜查的机会.
