Early detection of diabetes through transfer learning-based eye (vision) screening and improvement of machine learning model performance and advanced parameter setting algorithms

要約

糖尿病性網膜症（DR）は糖尿病の合併症のひとつで、高血糖状態が長く続くことで網膜の細い血管が障害されることで発症する、重篤かつ一般的な疾患である。糖尿病網膜症を治療せずに放置すると、網膜静脈閉塞症に進行し、血管の異常な成長を促し、失明のリスクを著しく高める。従来の糖尿病診断法では、網膜画像から視覚的特徴を抽出するために畳み込みニューラルネットワーク（CNN）を利用し、その後に決定木やKNN（k-nearest neighbors）などの分類アルゴリズムを利用して病気を検出することが多い。しかし、これらのアプローチは、精度と感度が低いこと、データの複雑さと量が多いため機械学習（ML）モデルのトレーニングに時間がかかること、テストと評価に限られたデータセットを使用することなど、いくつかの課題に直面している。本研究では、DR検出におけるMLモデルの性能を向上させるために、転移学習（Transfer Learning: TL）を適用することを検討する。主な改善点として、次元削減、最適化された学習率調整、高度なパラメータ調整アルゴリズムがあり、効率と診断精度の向上を目指している。提案モデルは、テストデータセットにおいて84%の総合精度を達成し、先行研究を凌駕した。クラス別の最高精度は89%に達し、最大感度は97%、F1スコアは92%であり、DR症例の同定において高い性能を示した。これらの結果は、TLに基づくDRスクリーニングが早期診断の有望なアプローチであり、視力低下を予防し患者の転帰を改善するためのタイムリーな介入を可能にすることを示唆している。

要約(オリジナル)

Diabetic Retinopathy (DR) is a serious and common complication of diabetes, caused by prolonged high blood sugar levels that damage the small retinal blood vessels. If left untreated, DR can progress to retinal vein occlusion and stimulate abnormal blood vessel growth, significantly increasing the risk of blindness. Traditional diabetes diagnosis methods often utilize convolutional neural networks (CNNs) to extract visual features from retinal images, followed by classification algorithms such as decision trees and k-nearest neighbors (KNN) for disease detection. However, these approaches face several challenges, including low accuracy and sensitivity, lengthy machine learning (ML) model training due to high data complexity and volume, and the use of limited datasets for testing and evaluation. This study investigates the application of transfer learning (TL) to enhance ML model performance in DR detection. Key improvements include dimensionality reduction, optimized learning rate adjustments, and advanced parameter tuning algorithms, aimed at increasing efficiency and diagnostic accuracy. The proposed model achieved an overall accuracy of 84% on the testing dataset, outperforming prior studies. The highest class-specific accuracy reached 89%, with a maximum sensitivity of 97% and an F1-score of 92%, demonstrating strong performance in identifying DR cases. These findings suggest that TL-based DR screening is a promising approach for early diagnosis, enabling timely interventions to prevent vision loss and improve patient outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL