این مقاله که در مجله Engineering Applications of Artificial Intelligence منتشر شده است، به چالش تشخیص زودهنگام گلوکوما برای جلوگیری از نابینایی غیر قابل برگشت میپردازد. نویسندگان اشاره میکنند که روشهای سنتی تشخیص گلوکوما، مانند ارزیابی دستی عصب بینایی یا اندازهگیری فشار داخل چشم، نیازمند مهارت بالای متخصصان است و ممکن است با خطا همراه باشد. برای حل این مشکل، آنها یک سیستم تشخیص خودکار مبتنی بر یادگیری عمیق طراحی کردهاند که علاوه بر تشخیص گلوکوما، میزان اطمینان مدل در پیشبینیها را اندازهگیری میکند.
دستاورد اصلی:
- استفاده از شبکه پیشآموزشدیده VGG16 برای استخراج ویژگیهای تصاویر شبکیه بدون نیاز به دادههای بزرگ آموزشی.
- ویژگیهای مهمی مانند عصب بینایی (ONH)، دیسک اپتیک (OD)، کاپ اپتیک (OC) و لایه عصبی شبکیه بررسی شدهاند.
مدلهای ارزیابی عدم قطعیت (Uncertainty Quantification):
- Monte Carlo dropout (MCD): از تکنیک حذف تصادفی نورونها در لایههای شبکه استفاده میشود تا تنوع نتایج و میزان اطمینان پیشبینیها اندازهگیری شود.
- Ensemble Bayesian: چندین شبکه مستقل آموزش داده میشود و میانگین نتایج آنها برای تخمین اطمینان محاسبه میشود.
- Ensemble Monte Carlo dropout (EMCD): ترکیبی از دو روش بالا برای افزایش دقت و ارزیابی جامعتر.
دادگان ارزیابی:
سه مجموعه داده عمومی برای ارزیابی مدل استفاده شده است:
- ACRIMA: شامل 705 تصویر، 396 مورد گلوکومایی و 309 تصویر سالم.
- RIM-ONE-DL: شامل 313 تصویر سالم و 172 تصویر گلوکومایی از بیمارستانهای اسپانیا.
- ORIGA: شامل 650 تصویر، 482 چشم سالم و 168 چشم گلوکومایی، با اطلاعات دقیق برای تقسیمبندی دیسک و کاپ اپتیک.
نتایج ارزیابی:
مدل پیشنهادی نسبت به روشهای پیشین عملکرد بهتری نشان داده و با ارائه اطلاعات اطمینان پیشبینیها، به پزشکان امکان تصمیمگیری دقیقتر میدهد. این مقاله گامی مهم در جهت توسعه سیستمهای هوشمند پزشکی است که علاوه بر ارائه نتایج دقیق، میتوانند میزان اطمینان در تصمیمگیریها را نیز بهبود دهند.
هیچ دیدگاهی نوشته نشده است.