《Computational and Structural Biotechnology Reports》：Real-time deep learning for multi-label retinal disease diagnosis with embedded system
編輯推薦：
為解決醫療資源有限地區眼部疾病診斷難題，研究人員利用樹莓派 4 開發視網膜疾病分類平臺，采用輕量級卷積神經網絡（CNN）結合雙正交小波變換。結果顯示模型準確率達 0.9806，該研究為臨床診斷提供新工具，意義重大。
在當今醫療領域，眼部疾病尤其是視網膜疾病的早期診斷至關重要。視網膜作為視覺信息傳遞至大腦的關鍵部位，許多可能致盲的疾病，像青光眼、白內障和糖尿病性視網膜病變（DR）等，都能通過眼底攝影被檢測出來。常規的視網膜眼底圖像檢查，能夠幫助醫生盡早發現這些疾病，進而及時進行干預治療，為患者的視力健康提供保障。
然而，現實情況卻不容樂觀。一方面，在全球范圍內，特別是在發展中國家以及農村和城郊地區，醫療資源極度匱乏。據世界衛生組織估計，到 2030 年，全球可能有超過 5 億人受糖尿病影響，而糖尿病是引發多種眼部疾病的重要風險因素。但這些地區的人們卻很難獲得足夠的醫療資源來滿足眼部護理需求，能夠接受適當眼部保健的比例不足 60%，農村地區更是低得可憐。另一方面，傳統的視網膜成像設備價格昂貴、體積龐大，操作復雜，這不僅限制了其在資源有限地區的廣泛應用，也使得大規模的眼部疾病篩查難以開展。即便近年來基于智能手機的視網膜成像系統有所發展，在一定程度上提高了設備的可及性，但這些系統大多缺乏先進的自動分析技術，難以確保診斷的準確性。
為了解決這些棘手的問題，研究人員開展了一項意義非凡的研究。他們利用樹莓派 4（Raspberry Pi 4）開發了一個用于多種視網膜疾病分類的平臺。該研究成果發表在《Computational and Structural Biotechnology Reports》上，為視網膜疾病的診斷開辟了新的道路。
在這項研究中，研究人員主要運用了以下關鍵技術方法：
- 輕量級卷積神經網絡（CNN）架構：設計了一個包含六個卷積層和兩個全連接層的 CNN 架構，用于特征提取和疾病分類。卷積層通過卷積操作提取圖像的關鍵特征，全連接層則基于這些特征進行疾病類別的判斷 。
- 雙正交小波變換：對源視網膜圖像進行灰度轉換后，利用雙正交小波變換進行特征提取。這種變換能夠將圖像分解為不同頻率成分，同時保留重要信息，為后續的分類提供豐富的特征集。
- 數據處理與訓練：從公共數據庫 ODIR 和 RFMiD 收集了 4303 張視網膜圖像，涵蓋健康、糖尿病性視網膜病變、青光眼和其他罕見疾病四類。將這些數據劃分為訓練集、驗證集和測試集，用于模型的訓練、超參數調整和性能評估。
- 模型優化與部署：對模型的超參數進行優化，并運用正則化技術提高模型性能。訓練好的模型被轉換為與樹莓派 4 兼容的 TensorFlow Lite 格式，以適應資源受限的設備環境。
研究人員圍繞多個方面展開研究，并取得了一系列令人矚目的成果：
- 模型性能評估指標：運用多種統計參數對模型進行評估，包括準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1 分數和受試者工作特征曲線下面積（AUC）等。這些指標從不同角度反映了模型的性能，為全面評估模型提供了依據。
- 結果分析：通過對模型預測結果的分析，發現模型在不同疾病類別上都表現出了較高的準確率。在健康、青光眼、糖尿病性視網膜病變和其他疾病這四個類別中，模型分別正確預測了 316、305、322 和 323 個樣本。不過，健康和青光眼類別之間存在少量誤判情況，但整體上對模型性能影響較小。此外，模型對糖尿病性視網膜病變和其他疾病類別的預測表現尤為出色，精確率和召回率均達到 1.0，AUC 值也為 1.0，表明模型能夠準確區分這些疾病類別。
- 對比分析：將該模型與其他現有方法進行對比，結果顯示，雖然部分模型在某些指標上表現更優，但考慮到實際應用場景，該研究的模型在保證較高準確率（0.9806）的同時，更適合在嵌入式系統上運行，且執行時間僅為 0.53 秒，具有明顯的優勢。
在研究結論和討論部分，該研究成果展現出了重要意義。研究人員開發的基于樹莓派 4 的實時診斷系統，能夠自動識別四種不同類別的視網膜疾病。其分類算法基于輕量級 CNN 架構，運行快速高效，計算資源消耗低。與文獻中報道的幾種最先進的方法相比，該系統的整體性能更為優異。這一成果為眼科臨床診斷提供了強有力的支持，特別是在資源有限的城郊或農村地區，該系統可借助便攜式安卓手機進行控制和顯示，無需依賴外部電腦，就能自主完成疾病分類，有望成為眼科服務的理想輔助工具。不過，研究也存在一定的局限性，例如未深入分析不同圖像采集設備對模型性能的影響，且僅使用了傳統設備采集的圖像數據集。未來的研究可以朝著優化智能手機采集圖像的數據集、評估圖像質量對診斷準確性的影響等方向展開。
