视网膜病理的自动化多类分类:对统一眼科查的深度学习方法
Uğur Şevik1,2, Onur Mutlu1,2
1Department of Computer Science, Faculty of Science, Karadeniz Technical University, Ortahisar, Trabzon 61080, Türkiye.
Diagnostics (Basel, Switzerland)
|November 13, 2025
概括
一个新的统一的深度学习框架准确地从 fundus 照片中分类了九种视网膜疾病,提供了一个超出单一疾病模型的全面 AI 查工具.
科学领域:
- 眼科的人工智能 (AI)
- 医学成像中的深度学习.
- 视网膜病理学分类 视网膜病理学分类
背景情况:
- 目前的眼科人工智能模型往往是特定于疾病的,限制了它们在差异诊断中的临床实用性.
- 需要一个统一的框架来解决多种视网膜疾病的复杂性.
- 这项研究引入了多类视网膜病理分类的新方法.
研究的目的:
- 开发和验证一个统一的深度学习框架,用于视网膜病理的多类分类.
- 创建一个全面的AI查工具,用于各种眼睛疾病从 fundus 照片.
- 在眼科中超越单一疾病AI模型.
主要方法:
- 使用了一个精心策划的数据集,包含9个类别的1841个 fundus 图像.
- 应用了数据增强技术来解决阶级不平衡问题.
- 使用转移学习评估了三个CNN架构 (ResNet-152,基于YOLOv11的EfficientNetV2和YOLOv2).
主要成果:
- 基于YOLOv11的分类器实现了卓越的性能.
- 该模型在测试组上获得了0.861的准确性和0.861的宏F1得分.
- 获得了0.961的验证AUC,显著优于ResNet-152和EfficientNetV2.2.
结论:
- 使用YOLOv11骨干的统一深度学习框架可以准确地分类九种不同的视网膜疾病.
- 这种整体的AI方法超越了单一疾病的局限性.
- 该框架显示出作为一个全面的查工具的前景,以帮助眼科的临床决策.
