Multikrankheitsdetektion in retinalen Bildern basierend auf dem Ensembling heterogener tiefen Lernmodelle

Vermeidbare oder nicht diagnostizierte Sehbehinderung und Erblindung betreffen weltweit Milliarden von Menschen. Automatisierte Multi-Krankheits-Detektionsmodelle bieten großes Potenzial, dieses Problem durch klinische Entscheidungsunterstützung bei der Diagnose zu bewältigen. In dieser Arbeit präsentieren wir einen innovativen Multi-Krankheits-Detektions-Pipeline für Retinabildgebung, der Ensemble-Learning nutzt, um die Vorhersagefähigkeiten mehrerer heterogener tiefen konvolutioneller neuronalen Netzwerke zu kombinieren. Unsere Pipeline integriert moderne Ansätze wie Transfer-Learning, Klassen-Gewichtung, Echtzeit-Bildaugmentation sowie die Verwendung der Focal-Loss-Funktion. Zudem wurden Ensemble-Learning-Techniken wie heterogene tiefe Lernmodelle, Bagging mittels 5-Fold-Cross-Validation sowie gestapelte logistische Regressionsmodelle implementiert. Durch interne und externe Evaluation konnten wir die hohe Genauigkeit und Zuverlässigkeit unserer Pipeline validieren und demonstrieren, wobei sie sich mit anderen state-of-the-art-Pipelines zur Vorhersage retinaler Erkrankungen vergleichen lässt.