一种用于检测糖尿病视网膜病变的新型深度学习架构

《International Journal of Diabetes in Developing Countries》：A novel deep learning architecture for the detection of diabetic retinopathy

糖尿病视网膜病变（DR）早期诊断依赖高效计算机辅助系统。本文提出改进的ResNet18-Swish模型，通过五折交叉验证和外部APTOS数据验证，在五分类任务中准确率达96.91%，显著优于VGG19、ResNet50等基线模型，且Brier score和可靠性曲线证实模型概率输出可靠。

　　

摘要

背景

糖尿病视网膜病变（Diabetic Retinopathy, DR）是一种由糖尿病引起的视网膜疾病。该疾病是由于供应视网膜的血管受损而发展起来的。它分为五个阶段：健康期、轻度期、中度期、重度期和增殖期。如果患者在最后阶段未得到治疗，将会丧失视力。早期诊断和治疗是防止视力丧失的关键，而计算机辅助诊断系统在检测过程中可以提供很大帮助。传统的筛查方法基于眼底相机和人工分级，这两种方法既耗时又容易受到误差的影响。

目标

利用公开的眼底图像数据，创建并全面评估一个改进的ResNet18模型，该模型采用Swish激活函数，用于五类糖尿病视网膜病变的分级。

方法

首先将Kaggle上的5000张糖尿病视网膜病变图像数据集按患者分组（80%用于训练，20%用于验证），然后通过五折交叉验证进行额外验证。训练模型时采用相同的预处理步骤（256×256分辨率、归一化处理）、优化器（Adam）、循环学习率调度以及提前停止策略。主要评估指标包括准确率、宏观F1分数、宏观AUC和宏观AUPRC，并计算95%的置信区间（基于自助法，1000次重复实验）。用于统计比较的测试方法包括McNemar检验和DeLong检验，校准过程使用了Brier分数和可靠性曲线。

结果

所提出的ResNet18模型在准确率方面获得了96.91%的分数（95%置信区间为95.5–98.0%），在宏观F1分数方面获得了96.92%的分数（95%置信区间为95.6–98.1%），这些指标均显著优于基线模型。在APTOS数据集上的外部验证证实了该模型的泛化能力，而校准分析表明其对每个类别的概率估计是可靠的。

结论

这种易于携带且校准良好的深度学习（Deep Learning, DL）模型能够实现精确且可重复的五类糖尿病视网膜病变分级，从而有助于将其集成到临床筛查工作中，实现早期检测和干预。