From Pixels to Diagnosis: Early Detection of Diabetic Retinopathy Using Optical Images and Deep Neural Networks
Notice bibliographique
Résumé
The detection of diabetic retinopathy (DR) is challenging, as the current diagnostic methods rely heavily on the expertise of specialists and require the mass screening of diabetic patients. The prevalence of avoidable vision impairment due to DR necessitates the exploration of alternative diagnostic techniques. Specifically, it is necessary to develop reliable automatic methods to enable the early diagnosis and detection of DR from optical images. To address the lack of such methods, this research focused on employing various pre-trained deep neural networks (DNNs) and statistical metrics to provide an automatic framework for detecting DR in optical images. The receiver operating characteristic (ROC) was employed to examine the performance of each network. Ethically obtained real datasets were utilized to validate and enhance the robustness of the proposed detection framework. The experimental results showed that, in terms of the overall performance in DR detection, ResNet-50 was the best, followed by GoogleNet, with 99.44% sensitivity, while they were similar in terms of accuracy (93.56%). ResNet-50 outperformed GoogleNet in terms of the specificity (89.74%) and precision (90.07%) of DR detection. The ROC curves of both ResNet-50 and GoogleNet yielded optimal results, followed by SqueezeNet. MobileNet-v2 showed the weakest performance in terms of the ROC, while all networks showed negligible errors in diagnosis and detection. These results show that the automatic detection and diagnosis framework for DR is a promising tool enabling doctors to diagnose DR early and save time. As future directions, it is necessary to develop a grading algorithm and to explore other strategies to further improve the automatic detection and diagnosis of DR and integrate it into digital slit lamp machines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».