Erklärbare end-to-end Deep Learning für die Diagnose von diabetischer Retinopathie über mehrere Datensätze hinweg

Zweck: Diabetische Retinopathie (DR) ist durch Retinaleinschlüsse gekennzeichnet, die bei Personen auftreten, die bereits mehrere Jahre an Diabetes leiden. Sie gehört weltweit zu den Hauptursachen für Sehbeeinträchtigung. Zur Diagnose dieser Erkrankung müssen Augenärzte retinale Fundusbilder manuell analysieren. Computerunterstützte Diagnosesysteme können diesen Aufwand erleichtern, indem sie die DR automatisch auf retinalen Bildern detektieren, wodurch wertvolle Zeit für Ärzte gespart und Kosten reduziert werden. Ziel dieser Studie ist die Entwicklung eines Deep-Learning-Algorithmus zur Detektion von DR auf retinalen Fundusbildern. Zur Bewertung der Effizienz des vorgeschlagenen Ansatzes werden neun öffentliche Datensätze sowie über 90.000 Bilder verwendet. Zudem wird ein Erklärbarkeitsalgorithmus entwickelt, um visuell die von dem tiefen Modell erkannten DR-Symptome darzustellen.Vorgehensweise: Der vorgeschlagene Deep-Learning-Algorithmus feintuntet ein vortrainiertes tiefes konvolutionelles neuronalen Netzwerk für die DR-Detektion. Das Modell wird auf einer Teilmenge des EyePACS-Datensatzes unter Verwendung einer kosinusförmigen Abkühlstrategie zur Reduzierung der Lernrate mit Warm-up trainiert, was die Trainingsgenauigkeit verbessert. Die Tests werden auf den neun Datensätzen durchgeführt. Zudem wird ein Erklärbarkeitsalgorithmus basierend auf der Gradient-Weighted Class Activation Mapping (Grad-CAM) entwickelt, um visuell die von dem Modell zur Klassifizierung der Retinabilder als DR ausgewählten Merkmale darzustellen.Ergebnisse: Das vorgeschlagene Netzwerk erreicht höhere Klassifizierungsraten mit einer AUC von 0,986, einer Sensitivität von 0,958 und einer Spezifität von 0,971 für EyePACS. Für MESSIDOR, MESSIDOR-2, DIARETDB0, DIARETDB1, STARE, IDRID, E-ophtha und UoA-DR betragen die AUC-Werte jeweils 0,963, 0,979, 0,986, 0,988, 0,964, 0,957, 0,984 und 0,990.Schlussfolgerungen: Die erzielten Ergebnisse erreichen einen Stand der Technik und übertrumpfen frühere veröffentlichte Arbeiten, die ausschließlich auf öffentlich verfügbaren Datensätzen trainiert wurden. Der vorgeschlagene Ansatz kann Fundusbilder robust klassifizieren und DR effizient detektieren. Ein Erklärbarkeitsmodell wurde entwickelt und zeigte, dass das Modell in der Lage ist, verschiedene DR-Symptome effizient zu identifizieren und diese Gesundheitsstörung zu erkennen.