一种基于优化深度学习技术的糖尿病视网膜病变检测改进方法

《Scientific Reports》：An enhanced diabetic retinopathy detection approach using optimized deep learning technique

　　

摘要

糖尿病视网膜病变仍是糖尿病患者视力丧失的主要原因之一，这凸显了通过可靠的视网膜成像分析进行早期检测的重要性。视网膜底片图像本质上是由物理原理驱动的，它记录了光与视网膜组织之间的相互作用，包括吸收、反射和散射等现象，这些现象决定了对诊断至关重要的图像强度和结构特征。然而，现有的用于糖尿病视网膜病变筛查的机器学习和优化方法在处理这类图像的高维度、异质性以及复杂的物理特性时面临诸多挑战。传统方法往往存在特征选择不理想、泛化能力有限以及分类精度较低的问题，因为它们无法灵活地利用图像特有的特征模式。为了解决这些问题，本研究提出了一种动态蝗虫优化算法（DGOA）用于特征选择，该算法凭借其动态适应能力，能够有效地探索和利用具有物理意义的特征空间。通过引入自适应参数控制，DGOA避免了过早收敛，确保选出最具区分度的特征，从而提升了模型的稳健性。为进一步提高分类的可靠性，本研究还整合了集成学习分类器，通过结合多个基础模型来发挥各自的优点，减少过拟合现象，并提升预测性能。所提出的这种考虑物理原理的人工智能框架在EyePACS视网膜底片图像数据集上进行了验证，该数据集包含了大量高分辨率图像，反映了不同的照明条件、对比度以及组织特性。与EfficientNetV2S、MGA-CSG和BWO-DL等方法的对比实验表明，我们的方法在兼顾计算效率、泛化能力以及基于物理原理的特征提取方面具有明显优势。DGOA-Ensemble模型实现了94.6%的准确率、0.94的F1分数以及0.96的AUC-ROC值，充分证明了其作为一种强大、可解释且具备良好泛化能力的框架的有效性，它架起了基于物理原理的视网膜成像与人工智能驱动的自动糖尿病视网膜病变检测之间的桥梁。