科学家通过机器学习技术自动级糖尿病视网膜病变

通过定期筛查的早期诊断对于预防糖尿病视网膜病变（DR）是重要的，但对眼科医生进行诊断是耗时的。

中国科学院深圳市先进技术研究所的研究人员提出了一种基于多通道的生成对抗网络（MAGGO），半监督自动级博士。

SIAT之前的研究发现，采用深度学习技术的计算机辅助诊断系统可以实现对DR图像的高级特征学习，自动分析DR的可能性。

然而，深度学习模型通常是在大量标记的容灾数据上进行训练的。对于DR图像的标记过程，DR的分级需要临床医生手动提取病变并测量病变的面积，这是非常耗时的。由于实际应用中缺乏高质量的标注数据，难以将一般的深度学习方法应用于容灾诊断。

新提出的方法解决了这些困难，它可以充分利用标记的数据和未标记的数据来自动识别DR，而不会失去原始的DR功能。

为了处理有效的DR功能在高分辨率眼底图像中弥漫的挑战，研究人员开发了一种基于多通道的GAN模型，可以生成一系列包含有效局部特征的眼底子图像。然后将所有眼底下图像进行组合，得到整个眼底图像最具代表性的特征。

此外，研究人员将特征提取方案纳入提出的基于多通道的GAN框架。该方案减少了原始眼底图像的干扰，提取了散射损伤特征，提高了鉴别器的性能。

为了证明所提方法的优点，研究人员使用了100个标记的DR样本和大量的未标记的DR样本对模型进行训练。

结果表明，当标记的样品有限时，所提出的模型可以处理分类问题，并且在曲线下的精度，敏感度和特异性下方的区域方面表现出其他代表性模型。

这项研究发表在IEEE自动化科学与工程交易。

---

---