使用视网膜图像的迁移学习与优化机器学习技术用于多类别糖尿病视网膜病变分类

《Diagnostics》：Transfer Learning and Optimized Machine Learning Techniques for Multiclass Diabetic Retinopathy Classification Using Retinal Images

　　

背景：糖尿病视网膜病变（DR）是糖尿病的一种常见且严重的并发症，由长期高血糖引起视网膜微血管损伤，最终可能导致视力丧失或失明。尽管卷积神经网络（CNNs）在通过视网膜成像自动检测DR方面显示出潜力，但传统方法通常存在诊断准确性有限、训练时间长以及对小型或不平衡数据集的依赖等问题。目的：本研究评估了一种集成迁移学习方法，使用自适应训练策略进行多类别视网膜图像分类。方法：所提出的框架整合了迁移学习、特征空间降维和基于ImageNet预训练ResNet50骨干网络的自适应训练策略，以提高训练稳定性、计算效率和多类别视网膜图像分类性能。结果：基于迁移学习（TL）的模型在一个大型公开可用的视网膜图像数据集上进行训练和评估，总体准确率达到84%，最高类别特异性准确率为89%，灵敏度高达97%，F1分数为92%。这些结果表明在受限数据条件下具有合理的总体分类性能。结论：所提出的框架证明了在受限基准条件下整合迁移学习和自适应训练策略进行多类别视网膜图像分类的可行性。然而，该研究受到使用重度下采样视网膜图像的限制，在实际部署前需要在高分辨率临床数据集上进行进一步验证。未来的方法改进和在高质量临床数据集上的验证可能有助于开发计算机辅助视网膜图像分析系统。

糖尿病视网膜病变（DR）是糖尿病长期高血糖导致的视网膜微血管损伤，可引发视力丧失甚至失明，早期筛查对预防并发症至关重要。现有基于卷积神经网络（CNN）的自动化检测方法常受限于诊断准确性不足、训练周期长、依赖小规模或不平衡数据集等问题。为此，研究人员开展了一项集成迁移学习、特征空间降维及自适应训练策略的研究，旨在探索在受限低分辨率基准条件下，轻量级工作流对多类别DR分类的可行性。研究使用Kaggle公开数据集（35,126张视网膜眼底图像，分为5个严重等级，但原始图像为重度下采样的28×28像素RGB格式），通过ImageNet预训练的ResNet50骨干网络提取深度特征，采用主成分分析（PCA）将2048维特征降至保留95%累积方差，并利用Adam优化器（初始学习率0.001）结合自适应学习率调度（验证损失停滞时衰减0.1倍）进行训练，数据集按70%训练、15%验证、15%测试分层划分。该研究发表于《Diagnostics》。

研究结果部分：
- **4.1 视网膜图像表示**：通过展示训练集中不同DR等级（0-4级）的示例图像，说明预处理和变换操作对图像质量的提升，确保模型输入格式一致。
- **4.2 提出性能模型的改进**：应用数据增强（随机翻转、缩放、强度变化）和对比度增强等变换，提高数据多样性，图9展示了变换后的图像效果。
- **4.3 每轮验证结果保存**：通过训练和验证损失曲线及Cohen's Kappa统计量（图11）显示，模型在训练过程中收敛稳定，验证Kappa值达0.7801，表明预测与真实标签一致性良好。
- **4.4 最终模型性能评估**：在验证集上，模型获得0.5004的袋外（OOF）误差和0.7801的Kappa值，证明模型鲁棒性。
- **4.5 混淆矩阵**：图12展示了测试集上各分类正确与错误样本的比例，发现多数误分类发生在相邻DR等级之间，尤其非增殖性DR（NPDR）阶段。
- **4.6 提出模型性能报告**：测试集总体准确率为84%，最高类别灵敏度（Recall）达97%，F1-score达92%；但1类（轻度NPDR）灵敏度仅0.06、F1-score仅0.11，表明轻度病变检测能力严重不足，主要受限于低分辨率图像和类别不平衡。
- **4.7 与先进方法比较**：与文献中代表性方法（如Qummar等）对比，本模型在相同Kaggle数据集上以单ResNet50骨干结合PCA降维实现了84%准确率，结构更简单，但直接比较需谨慎，因各研究数据集、分辨率、分类设置不同。
- **4.8 失败模式与误分类分析**：误分类主要集中于相邻NPDR等级（1-3类），因轻度病变（如微动脉瘤、小出血）在低分辨率图像中难以保留，且类别严重不平衡（NPDR样本数远少于无DR和增殖性DR）。模型对无DR（0类）与重度DR（3-4类）区分较好，但早期NPDR易漏诊，提示该框架应视为概念验证而非临床筛查系统。

讨论部分总结：该研究验证了集成迁移学习、降维和自适应训练的可行性，但局限性包括：低分辨率图像无法恢复微观病理结构、类别不平衡导致轻度NPDR灵敏度极低、缺乏外部验证。未来需引入不平衡感知学习策略（如加权损失、焦点损失）、高分辨率数据及可解释性方法。研究结论部分翻译如下：本研究评估了在受限基准条件下，集成迁移学习、降维和自适应训练策略的多类别视网膜图像分类工作流。在大型公开DR数据集上，模型测试集总体准确率达84%，主要贡献在于统一工作流评估而非新型算法。类别层面，无DR和晚期DR表现最佳，但轻度至重度NPDR（1-3类）灵敏度与F1-score显著降低，反映低分辨率和不平衡数据中检测细微病变的困难。该框架应视为概念验证，未来需优先采用不平衡感知学习、高分辨率数据集、病灶聚焦特征提取及独立临床队列的外部验证。