使用深度学习和AlexNet与统计模型分析的自动视网膜疾病分类
El-Sayed M Elkenawy1,2, Nima Khodadadi3, Khaled Sh Gaber4
1Department of Communications and Electronics, Delta Higher Institute of Engineering and Technology, Mansoura, Egypt.
PloS one
|January 6, 2026
概括
这项研究开发了一个使用深度学习来分类视网膜图像的AI框架,用于早期检测糖尿病视网膜病变,白内障和玻璃眼. 亚历克斯网展示了高精度和可解释性,为人工智能辅助的眼睛查铺平了道路.
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,白内障和玻璃眼是导致视力丧失的主要原因.
- 早期检测对于预防不可逆转的视力障碍至关重要.
研究的目的:
- 开发和评估用于视网膜图像自动分类的深度学习框架.
- 将图像分类为正常,糖尿病视网膜病变,白内障和玻璃眼类别.
主要方法:
- 利用来自IDRiD和HRF视网膜成像数据库的数据集.
- 评估了四个卷积神经网络 (CNN) 架构:EfficientNet-B0,EfficientNet-B7,一个定制模型和AlexNet.
- 使用的绩效指标包括准确度,灵敏度,特异性,PPV,NPV,F1得分和R2通过五倍交叉验证.
主要成果:
- 亚历克斯网实现了最高的性能,准确度为93.65%,灵敏度为94.39%,特异性为98.05%.
- EfficientNet-B7也表现出强的表现 (准确率为92.82%),突出了转移学习的好处.
- 亚历克斯网表现出强度,平均R2为0.8891,并使用SHAP提供了可解释的结果,突出了视网膜的关键特征.
结论:
- 可解释的深度学习模型可以准确而一致地分类视网膜疾病.
- 拟议的框架支持人工智能辅助的眼科查,用于早期检测和干预.
- 亚历克斯网为视网膜图像分析提供了一种计算效率高且易于解释的解决方案.
