NetraNet：一种用于糖尿病视网膜病变分类和临床诊断的相似性学习方法

《International Journal of Diabetes in Developing Countries》：NetraNet: A similarity learning method for diabetic retinopathy classification and clinical diagnosis

针对糖尿病视网膜病变（DR）的早期检测与分类需求，本研究提出一种结合轻量级自编码器与注意力机制的多任务模型，通过少样本相似性学习提升分类精度，并在多个国际和印度数据集上验证其高效性和鲁棒性，为临床筛查提供可靠工具。

　　

摘要

背景

糖尿病视网膜病变（DR）是全球糖尿病患者视力受损的主要原因。早期发现和分类糖尿病视网膜病变对于预防患者的视力障碍和失明至关重要。

目标

为了改进糖尿病视网膜病变的精细分类，本文提出了一种基于鲁棒病变感知特征和少量样本学习的相似性学习模型。

方法

设计了一种轻量级的自动编码器来增强对小病变的检测能力。该编码器整合了通道注意力层和空间注意力层，使网络能够高效地关注与病变相关的区域。在数据量有限的情况下，采用N次元元学习方法进行病变严重程度分类。所提出的模型在六个公开可用的眼底图像数据集上进行了训练和评估。为了验证其对区域变化的适应性，该模型还在一个包含100张标注清晰的眼底图像的印度眼底数据集上进行了验证。

结果

NetraNet在所有医学诊断所需的关键指标上均表现优异，检测准确率为99.5%，精确率为0.993，召回率为0.994。这种高水平的性能展示了NetraNet在糖尿病视网膜病变诊断中的潜力。在多类别分类中，该模型的准确率为95.9%，Cohen's kappa值为0.95，表明其具有高性能和鲁棒性。在收集的数据上，该模型的Kappa值为0.94，使其成为临床糖尿病视网膜病变筛查的可靠工具。

结论

NetraNet在各种数据集上均表现出强大的性能，即使在数据量有限的情况下也是如此，使其成为现实世界临床筛查场景中的理想方法，因为在这些场景中，标注清晰的数据往往较为稀缺。这项工作展示了强大的特征提取技术与相似性学习模型在医学图像分类中的重要性，并为其他眼底疾病检测提供了可扩展的解决方案。