基于眼底彩色照相的常见眼底疾病智能辅助诊断轻量化模型研究

• 作者: 陆兵 吴茂念 郑博 朱绍军 郝秀兰 陈楠 侯泽江 蒋沁 杨卫华
• 来源期刊: 中华眼底病杂志
• 关键词: 视网膜疾病 人工智能 诊断，计算机辅助 轻量化模型
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 人工智能研究
• 页码范围: 146-152
• 页数: 7页
• 语种: 中文
• DOI: 10.3760/cma.j.cn511434-20210618-00327

摘要

目的:观察基于眼底彩色照相的常见眼底疾病六分类智能辅助诊断轻量化模型的诊断价值。方法:应用研究。采集南京医科大学附属眼科医院和浙江省数理医学学会智能眼科数据库的2 400张彩色眼底像数据集，该数据集经脱敏处理及眼底病专科医师标注，包括糖尿病视网膜病变、青光眼、视网膜静脉阻塞、高度近视、老年性黄斑变性、正常眼底像各400张。训练时使用迁移学习方法，将经典分类模型VGGNet16、ResNet50、DenseNet121和轻量化分类模型MobileNet3、ShuffleNet2、GhostNet在ImageNet数据集上训练获得的参数迁移到六分类常见眼底疾病智能辅助诊断模型作为初始化参数，进行训练并获得最新模型。选取临床患者彩色眼底像1 315张作为测试集。评价指标包括灵敏度、特异性、准确度（Accuracy）、F1-Score和诊断试验的一致性（Kappa值）；比较不同模型的受试者工作特征曲线以及曲线下面积值。结果:与经典分类模型比较，3种轻量化分类模型的储存大小和参数量均显著降低，其中ShuffleNetV2平均每张识别时间较经典分类模型VGGNet16快438.08 ms。3个轻量化分类模型的准确度均>80.0%；Kappa值均>70.0%，具有显著一致性；对正常眼底图像诊断的灵敏度、特异性、F1-Score均≥98.0%；宏观F1分别为78.2%、79.4%、81.5%。结论:基于眼底彩色照相的常见眼底疾病智能辅助诊断轻量化模型识别准确率高、速度快；储存大小和参数量均较经典分类模型显著降低。