طراحی سامانه هوش مصنوعی برای تشخیص زودهنگام رتینوپاتی دیابتی با استفاده از یادگیری عمیق چند وجهی (Multimodal Deep Learning) بر پایه تصاویر OCT و فوندوس

رتینوپاتی دیابتی (Diabetic Retinopathy) یکی از شایع ترین عوارض چشمی ناشی از دیابت است که در صورت عدم تشخیص و درمان به موقع می تواند منجر به نابینایی دائمی شود. در دهه اخیر، پیشرفت های چشمگیر در حوزه هوش مصنوعی و یادگیری عمیق (Deep Learning) فرصت های جدیدی برای توسعه سامانه های تشخیص خودکار فراهم کرده است. با وجود کارایی قابل توجه شبکه های عصبی عمیق در تحلیل تصاویر فوندوس، استفاده از داده های چندوجهی شامل تصاویر توموگرافی انسجام نوری (OCT) در کنار فوندوس می تواند دقت و حساسیت مدل را به شکل چشمگیری افزایش دهد. در این پژوهش، یک چارچوب چندوجهی مبتنی بر یادگیری عمیق برای تشخیص زودهنگام رتینوپاتی دیابتی پیشنهاد می شود که از ترکیب شبکه های عصبی کانولوشنی دوبعدی و سه بعدی برای استخراج ویژگی های مکمل از تصاویر فوندوس و OCT استفاده می کند. نتایج آزمایشی بر روی پایگاه داده ی EyePACS و Duke OCT نشان می دهد که مدل چندوجهی پیشنهادی نسبت به مدل های تک وجهی افزایش چشمگیر در دقت (۹۶٪)، حساسیت (۹۴٪) و ویژگی (۹۲٪) داشته است. این رویکرد می تواند پایه ای برای توسعه سامانه های بالینی تشخیص زودهنگام و غیرتهاجمی رتینوپاتی دیابتی باشد.

کلیدواژه ها:

رتینوپاتی دیابتی ، هوش مصنوعی ، یادگیری عمیق چندوجهی ، تصاویر OCT ، فوندوس ، تشخیص زودهنگام