编辑推荐：
为解决医疗资源有限地区眼部疾病诊断难题，研究人员利用树莓派 4 开发视网膜疾病分类平台，采用轻量级卷积神经网络（CNN）结合双正交小波变换。结果显示模型准确率达 0.9806，该研究为临床诊断提供新工具，意义重大。
在当今医疗领域，眼部疾病尤其是视网膜疾病的早期诊断至关重要。视网膜作为视觉信息传递至大脑的关键部位，许多可能致盲的疾病，像青光眼、白内障和糖尿病性视网膜病变（DR）等，都能通过眼底摄影被检测出来。常规的视网膜眼底图像检查，能够帮助医生尽早发现这些疾病，进而及时进行干预治疗，为患者的视力健康提供保障。
然而，现实情况却不容乐观。一方面，在全球范围内，特别是在发展中国家以及农村和城郊地区，医疗资源极度匮乏。据世界卫生组织估计，到 2030 年，全球可能有超过 5 亿人受糖尿病影响，而糖尿病是引发多种眼部疾病的重要风险因素。但这些地区的人们却很难获得足够的医疗资源来满足眼部护理需求，能够接受适当眼部保健的比例不足 60%，农村地区更是低得可怜。另一方面，传统的视网膜成像设备价格昂贵、体积庞大，操作复杂，这不仅限制了其在资源有限地区的广泛应用，也使得大规模的眼部疾病筛查难以开展。即便近年来基于智能手机的视网膜成像系统有所发展，在一定程度上提高了设备的可及性，但这些系统大多缺乏先进的自动分析技术，难以确保诊断的准确性。
为了解决这些棘手的问题，研究人员开展了一项意义非凡的研究。他们利用树莓派 4（Raspberry Pi 4）开发了一个用于多种视网膜疾病分类的平台。该研究成果发表在《Computational and Structural Biotechnology Reports》上，为视网膜疾病的诊断开辟了新的道路。
在这项研究中，研究人员主要运用了以下关键技术方法：
- 轻量级卷积神经网络（CNN）架构：设计了一个包含六个卷积层和两个全连接层的 CNN 架构，用于特征提取和疾病分类。卷积层通过卷积操作提取图像的关键特征，全连接层则基于这些特征进行疾病类别的判断 。
- 双正交小波变换：对源视网膜图像进行灰度转换后，利用双正交小波变换进行特征提取。这种变换能够将图像分解为不同频率成分，同时保留重要信息，为后续的分类提供丰富的特征集。
- 数据处理与训练：从公共数据库 ODIR 和 RFMiD 收集了 4303 张视网膜图像，涵盖健康、糖尿病性视网膜病变、青光眼和其他罕见疾病四类。将这些数据划分为训练集、验证集和测试集，用于模型的训练、超参数调整和性能评估。
- 模型优化与部署：对模型的超参数进行优化，并运用正则化技术提高模型性能。训练好的模型被转换为与树莓派 4 兼容的 TensorFlow Lite 格式，以适应资源受限的设备环境。
研究人员围绕多个方面展开研究，并取得了一系列令人瞩目的成果：
- 模型性能评估指标：运用多种统计参数对模型进行评估，包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 分数和受试者工作特征曲线下面积（AUC）等。这些指标从不同角度反映了模型的性能，为全面评估模型提供了依据。
- 结果分析：通过对模型预测结果的分析，发现模型在不同疾病类别上都表现出了较高的准确率。在健康、青光眼、糖尿病性视网膜病变和其他疾病这四个类别中，模型分别正确预测了 316、305、322 和 323 个样本。不过，健康和青光眼类别之间存在少量误判情况，但整体上对模型性能影响较小。此外，模型对糖尿病性视网膜病变和其他疾病类别的预测表现尤为出色，精确率和召回率均达到 1.0，AUC 值也为 1.0，表明模型能够准确区分这些疾病类别。
- 对比分析：将该模型与其他现有方法进行对比，结果显示，虽然部分模型在某些指标上表现更优，但考虑到实际应用场景，该研究的模型在保证较高准确率（0.9806）的同时，更适合在嵌入式系统上运行，且执行时间仅为 0.53 秒，具有明显的优势。
在研究结论和讨论部分，该研究成果展现出了重要意义。研究人员开发的基于树莓派 4 的实时诊断系统，能够自动识别四种不同类别的视网膜疾病。其分类算法基于轻量级 CNN 架构，运行快速高效，计算资源消耗低。与文献中报道的几种最先进的方法相比，该系统的整体性能更为优异。这一成果为眼科临床诊断提供了强有力的支持，特别是在资源有限的城郊或农村地区，该系统可借助便携式安卓手机进行控制和显示，无需依赖外部电脑，就能自主完成疾病分类，有望成为眼科服务的理想辅助工具。不过，研究也存在一定的局限性，例如未深入分析不同图像采集设备对模型性能的影响，且仅使用了传统设备采集的图像数据集。未来的研究可以朝着优化智能手机采集图像的数据集、评估图像质量对诊断准确性的影响等方向展开。
