Enhancing the Performance of Multi-Class Classification Systems for Retinal Diseases Using Deep Learning Models
Notice bibliographique
Résumé
Early and accurate detection of retinal diseases is essential to prevent avoidable vision loss.However, manual assessment of fundus images is time-consuming and can vary across clinicians.Deep convolutional neural networks (DCNNs) have improved automated screening, but many models remain computationally demanding and provide limited interpretability.This study proposes a hybrid ensemble framework for multiclass retinal disease classification that balances accuracy, efficiency, and explainability.InceptionV3 and DenseNet121 were used as feature extractors on a public Eye Diseases Classification dataset comprising four categories: normal, cataract, glaucoma, and diabetic retinopathy.The extracted deep features were fused and classified using several ensemble strategies, including hard voting, soft voting, stacking, bagging with Random Forest, and gradient boosting.Performance was evaluated using accuracy, precision, recall, and F1-score, together with training time.DenseNet121 achieved higher accuracy than InceptionV3 while requiring shorter training time.Ensemble learning further improved performance.Bagging with Random Forest reached 99.4% accuracy, and the optimized boosting model achieved 100% accuracy on the held-out test set.Model interpretability was examined using Grad-CAM, which highlighted clinically plausible regions such as the optic disc, macula, and lesion areas.Although the results are promising, external validation on additional datasets is required before clinical deployment.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».