《Franklin Open》:Deep learning-based automated detection of diabetic retinopathy for early diagnosis
编辑推荐:
为解决糖尿病视网膜病变(DR)早期筛查效率低、依赖专家资源的问题,研究人员系统评估了CNN、AlexNet和SqueezeNet三种深度学习模型。结果表明,轻量级模型SqueezeNet在分类准确率和F1分数上表现优异,为临床部署提供了高效解决方案。
背景:当AI遇见眼底筛查,寻找“又快又准”的算法
在全球糖尿病患病率持续攀升的背景下,糖尿病视网膜病变(Diabetic Retinopathy, DR)已成为工作年龄人群不可逆性盲的主要原因之一。世界卫生组织(WHO)数据显示,全球有数亿人面临视力损伤风险,其中相当一部分源于未及时诊断的DR。传统的DR筛查依赖眼科医生手动检视眼底照片,这不仅耗时耗力,且在医疗资源匮乏地区难以普及。虽然深度学习(Deep Learning)技术为自动化筛查带来了曙光,但大多数研究聚焦于构建复杂的“超级模型”,往往忽略了临床落地时对计算效率、模型轻量化的实际需求。这就引出了本文的核心问题:在不牺牲诊断精度的前提下,是否存在更轻量、更适合实际部署的深度学习模型?
关键技术方法
本研究基于APTOS 2019盲症检测数据集(3435张眼底图像),构建了统一的实验框架。关键技术环节包括:图像预处理(去噪、缩放、像素归一化)、数据集多比例划分(70%/80%/90%训练集)以测试鲁棒性,以及利用SGDM、RMSprop、Adam三种优化器系统对比CNN(自定义卷积神经网络)、AlexNet和SqueezeNet三种架构在二分类(正常vs DR)及多类分期任务上的性能(指标含准确率、F1分数等)。
研究结果
4.1. 数据集信息
实验采用APTOS 2019公开数据集,包含正常图像2680张及DR图像755张,涵盖了从轻度到增殖期的病变,确保了评估的全面性。
4.2. 实现细节
在MATLAB环境中,通过统一设置输入尺寸(299×299像素)、优化器参数及验证集比例(10%),消除了实验变量干扰,保证了对比的公平性。
4.3. 性能评估
模型对比:AlexNet与SqueezeNet在多数配置下均优于传统CNN。特别是轻量级的SqueezeNet,在保持极低参数量的同时,达到了与深层网络相当的诊断性能。
优化器与训练比例分析:Adam优化器通常带来更快的收敛;增加训练数据比例(如90%)普遍提升了模型的泛化能力,但轻量模型在数据较少时(70%)也表现出良好的稳定性。
结论与意义
本研究并未追求“更大更复杂”的模型,而是通过严谨的“控制变量”实验,为临床DR筛查提供了部署导向(Deployment-oriented)的决策依据。结果表明,轻量级架构(如SqueezeNet)在准确率与效率之间取得了最佳平衡,这尤其适用于需要快速响应的基层筛查场景或计算资源有限的移动设备。该工作为构建实用化、低成本的AI辅助诊断系统提供了重要的模型选型参考,指明了未来研究应更多关注模型的实际落地效能而非单纯追求理论精度。