《Biomedical Signal Processing and Control》：New accurate deep learning model for Diabetic Retinopathy detection utilizing sequential pre-processing and transfer learning
編輯推薦：
糖尿病視網膜病變（DR）嚴重威脅全球糖尿病患者視力，早期診斷至關重要。研究人員開展了基于深度學習的 DR 檢測研究，開發出精準模型。該模型準確率達 96.95%，假陰性率低于 1%，有望助力臨床患者護理。
在當今數字化時代，醫療領域正經歷著前所未有的變革，其中人工智能技術的融入尤為突出。糖尿病視網膜病變（Diabetic Retinopathy，DR）作為糖尿病常見且嚴重的并發癥，正悄然威脅著全球大量糖尿病患者的視力健康。據統計，全球 80% 的糖尿病患者受 DR 影響，它已然成為導致失明的第二大 “元兇”。早期發現并干預 DR，對阻止病情惡化、避免患者失明意義重大。然而，傳統的 DR 檢測方式依賴專業醫生對眼底圖像進行人工判讀，不僅耗時費力，還可能因醫生經驗差異導致診斷結果不一致，難以滿足日益增長的檢測需求。
為攻克這一難題，來自未知研究機構的研究人員投身于 DR 檢測的創新研究中。他們致力于開發一種高效、準確的 DR 檢測算法及相應模型，期望借助前沿技術提高檢測精度，減少漏診風險，為臨床診療提供有力支持。最終，研究取得了令人矚目的成果，其開發的模型在 DR 檢測中表現卓越，準確率高達 96.95%，假陰性率更是低于 1%。這一成果意味著該模型能夠更精準地識別 DR 患者，極大降低了將患者誤診為健康個體的可能性，為及時治療爭取寶貴時間，在臨床患者護理方面具有巨大的應用潛力。該研究成果發表在《Biomedical Signal Processing and Control》上，為相關領域的研究和實踐開辟了新的方向。
研究人員在開展此項研究時，綜合運用了多種關鍵技術方法。首先，為應對 DR 數據資源有限的問題，采用了數據增強技術擴充數據量。同時，設計了一套針對性的預處理流程，包括均值減法、灰度掩蔽、調整大小、高斯模糊與加權拼接、圖像裁剪和平滑處理等操作，旨在讓眼底圖像中的出血等病變特征更加明顯。此外，借助遷移學習技術，充分利用預訓練模型的優勢，優化卷積神經網絡（Convolutional Neural Network，CNN）架構。研究使用 APTOS 數據集，其中包含 5590 張分為五個 DR 等級的眼底圖像，隨機劃分 80% 用于訓練，20% 用于測試。
下面來詳細了解研究結果：
- 模型開發與評估：研究人員開發了四種不同的 CNN 模型并進行評估。經過一系列嚴格的實驗，基于 Densenet201 的模型脫穎而出，在 DR 檢測中展現出卓越性能，準確率達到 96.95%，且將 DR 患者誤判為健康個體的錯誤率低于 1%。
- 對比分析：將開發的模型與當前先進算法進行對比，在關鍵指標上，該模型表現優異。通過準確性圖表、損失圖表和混淆矩陣等多維度評估方式，結合 f1 分數、精度、召回率（靈敏度）、特異性和加權平均分數等指標，全面展示了模型的可靠性和高效性。
在研究結論和討論部分，此次研究構建了一套結構嚴謹的 DR 檢測流程，融合了預處理、數據增強、遷移學習和深度學習模型開發等多種技術。獨特的預處理方法有效增強了眼底圖像中靜脈和出血的可見性，為后續模型精準識別病變提供了關鍵支持。遷移學習和數據增強技術的運用，巧妙地解決了數據不足的問題，進一步優化了 Densenet201 架構，提升了模型性能。與其他研究相比，該模型在準確率和假陰性率等關鍵指標上優勢明顯，為 DR 的早期精準診斷和病情監測提供了可靠工具。這一研究成果不僅推動了糖尿病視網膜病變檢測技術的發展，更有望在實際臨床應用中發揮重要作用，助力醫生及時發現患者病情，制定更有效的治療方案，降低糖尿病患者失明的風險，對改善患者生活質量、減輕社會醫療負擔具有重要意義。
