相关实验视频
Updated: May 6, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
22.2K
用图形增强的深度学习用于糖尿病视网膜病变诊断:以质量意识和不确定性为导向的方法
Zarin Akter1, Jawad Ibn Ahad1, Md Mutasim Farhan1
1Electrical and Computer Engineering, North South University, Dhaka, Bangladesh.
PLoS computational biology
|December 5, 2025
概括
本研究引入了一种使用图形卷积网络 (GCN) 和预训练模型诊断糖尿病视网膜病变 (DR) 的新方法. 该方法实现了早期DR检测的高精度和可靠性.
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:
- 糖尿病视网膜病变 (DR) 是视力丧失的主要原因,影响患者的生活质量,需要及时诊断.
- 传统的DR分类方法通常涉及广泛的预处理和基于卷积神经网络 (CNN) 的模型.
- 准确和早期的DR检测对于有效的治疗和预防不可逆转的视力损伤至关重要.
研究的目的:
- 开发一种用于糖尿病视网膜病变检测的新,准确和可靠的自动化系统.
- 通过将预先训练的特征提取与图形卷积网络 (GCNs) 集成来增强DR分类.
- 纳入质量评估和不确定性估计,以提高临床适用性.
主要方法:
- 利用预训练模型 (MobileViT,DenseNet-169) 进行初始特征提取.
- 使用图形卷积网络 (GCNs) 通过将它们结构化为图形来完善特征嵌入.
- 实施一个质量评估模块,通过随机通关实现信心得分和不确定性估计.
- 使用Grad-CAM用于模型解释性和重要的图像区域的可视化.
主要成果:
- 在多个数据集上实现了最先进的性能 (APTOS2019,Messidor-2,EyePACS).
- 在APTOS2019上的MobileViT骨干产生了98.45%的准确性,98.45%的F1-Score和98.06%的Kappa.
- 梅西多-2上的DenseNet-169实现了94.90%的准确性,94.87%的F1-Score和93.63%的Kappa.
- 通过DenseNet-169 (97.38%准确度) 和MobileViT (96.02%准确度) 在EyePACS上表现出强大的泛化.
结论:
- 拟议的混合方法结合预训练模型和GCN,显著提高了糖尿病视网膜病变检测的准确性.
- 综合质量评估和不确定性估计提高了用于临床部署的模型可靠性.
- 该方法为早期DR诊断提供了强大的和可解释的解决方案,有助于维护视力.
