نماذج التعلم العميق وتقنيات التصنيف المدمج للتشخيص الدقيق لاعتلال الشبكية الخداجي عند الأطفال الخدج
محتوى المقالة الرئيسي
الملخص
اعتلال الشبكية الخداجي (ROP) هو السبب الأكثر شيوعًا لعمى الأطفال الذي لا رجعة فيه، ويعتمد تشخيصه وعلاجه على الدرجات الذاتية بناءً على سمات الأوعية الدموية في شبكية العين. ومع ذلك، فإن هذه الطريقة شاقة وعرضة للخطأ، لذا فإن الأساليب الآلية مرغوبة لمزيد من الدقة والإنتاجية. تهدف هذه الدراسة إلى تطوير نهج قائم على التعلم العميق للتشخيص الدقيق لمرض اعتلال الشبكية الخداجي الزائد عند الأطفال الخدج باستخدام نماذج التعلم التحويلية وتقنية تصنيف الاندماج. زودنا مركز الأمل للعيون في العيادة الخاصة في بغداد، العراق، بـ 2776 صورة لقاعدة فحص مرضى اعتلال الشبكية الخداجي بين عامي 2015 و2020، واستخدمنا هذه الصور لتدريب ثلاثة نماذج للشبكات العصبية التلافيفية العميقة (ResNet50 وDensenet161 وEfficientNetB5). تم استخدام نهج مصنف الاندماج لدمج النماذج الثلاثة من أجل تشخيص شامل ودقيق. تتميز النماذج الثلاثة بمعدلات دقة نسبية تبلغ 69.78٪ و80.57٪ و81.29٪ في تصنيفاتها الخاصة. ومع ذلك، زادت الدقة الإجمالية إلى 90.28 في المائة عند استخدام مصنف الاندماج. هذا يدل على أن الطريقة المقترحة مفيدة لتحديد اعتلال الشبكية الخداجي عند الخدج. تشير نتائج الدراسة إلى أن الطريقة المقترحة لديها القدرة على تعزيز الدقة والسرعة التي يتم بها تشخيص اعتلال الشبكية الخداجي بشكل كبير، مما قد يؤدي بدوره إلى الكشف المبكر عن المرض وعلاجه وتقليل احتمالية الإصابة بعمى الأطفال.
Received 14/03/2023
Revised 14/07/2023
Accepted 16/07/2023
Published Online First 20/10/2023
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Hong EH, Shin YU, Cho H. Retinopathy of prematurity: a review of epidemiology and current treatment strategies. Clin Exp Pediatr. 2022 Mar; 65(3): 115-126. https://doi.org/10.3345/cep.2021.00773.
Palmer EA, Flynn JT, Hardy RJ, Phelps DL, Phillips CL, Schaffer DB, et al. Incidence and early course of retinopathy of prematurity. Ophthalmology. 2020; 127(4 Suppl): S84-S96. https://doi.org/10.1016/j.ophtha.2020.01.034.
Committee for the Classification of Retinopathy of Prematurity. An international classification of retinopathy of prematurity. Pediatrics. 1984; 74(1): 127-133. https://doi.org/10.1016/s0031-3955(16)39015-3.
International Committee for the Classification of Retinopathy of Prematurity. The International Classification of Retinopathy of Prematurity revisited. Arch Ophthalmol. 2005; 123(7): 991-999. https://doi.org/10.1001/archopht.123.7.991.
Chiang MF, Quinn GE, Fielder AR, Ostmo SR, Paul RV, Berrocal A, et al. International Classification of Retinopathy of Prematurity, Third Edition. Ophthalmology. 2021 Oct; 128(10): e51-e68. https://doi.org/10.1016/j.ophtha.2021.05.031.
Chiang MF, Jiang L, Gelman R, Du YE, Flynn JT. Interexpert agreement of plus disease diagnosis in retinopathy of prematurity. Arch Ophthalmol. 2007; 125(7): 875–80. https://doi.org/10.1001/archopht.125.7.875.
Brady CJ, D'Amico S, Campbell JP. Telemedicine for Retinopathy of Prematurity. Telemed J E Health. 2020 Apr; 26(4): 556-564. https://doi.org/10.1089/tmj.2020.0010.
M. Ksantini, A. Ben Hassena and F. Delmotte, Comparison and fusion of classifiers applied to a medical diagnosis. 2017 14th Int Multi-Conf Syst Signals Devices (SSD), Marrakech, Morocco; 2017. p. 211-216. https://doi.org/10.1109/SSD.2017.8166985
Mosa Z M, Ghaeb N H, Ali A H. Detecting Keratoconus by Using SVM and Decision Tree Classifiers with the Aid of Image Processing. Baghdad Sic. J. 2019; 16(4(Suppl.), 1022. https://doi.org/10.21123/bsj.2019.16.4(Suppl.).1022
Chakraborty S, Jana GC, Kumari D, Swetapadma A. An improved method using supervised learning technique for diabetic retinopathy detection. Int J Inf Technol. 2019. 12: 473-477. https://doi.org/10.1007/s41870-019-00318-6
Hasan A M, Qasim A F, Jalab H A, Ibrahim R W. Breast Cancer MRI Classification Based on Fractional Entropy Image Enhancement and Deep Feature Extraction. Baghdad Baghdad Sic J.2023; 20(1), 0221. https://doi.org/10.21123/bsj.2022.6782
Sarker IH. Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. SN Comput. Sci. 2021; 2(3): 420. https://doi.org/10.1007/s42979-021-00815-1.
Salih N, Hussein N. Human corneal state prediction from topographical maps using a deep neural network and a support vector machine. Int. J. Curr. Res. 2018; 10(11): 75461-75467. https://doi.org/10.13140/RG.2.2.30320.94726
Salih N, Ksantini M, Hussein N, Halima DB, Razzaq AA, Mahmood SA. Detection of Retinopathy of Prematurity Stages Utilizing Deep Neural Networks. 7th Int Cong Info Commun Technolo. 2023: 771-782. Springer. https://doi.org/10.1007/978-981-19-1607-6_62
Sarvamangala DR, Kulkarni RV. Convolutional neural networks in medical image understanding: a survey. Evol Intell. 2022; 15(1): 1-22. https://doi.org/10.1007/s12065-020-00540-3.
Barriada RG, Masip D. An Overview of Deep-Learning-Based Methods for Cardiovascular Risk Assessment with Retinal Images. Diagnostics. 2023; 13(1): 68. https://doi.org/10.3390/diagnostics13010068.
Ait Nasser A, Akhloufi MA. A Review of Recent Advances in Deep Learning Models for Chest Disease Detection Using Radiography. Diagnostics. 2023; 13(1): 159. https://doi.org/10.3390/diagnostics13010159.
Hosna A, Merry E, Gyalmo J, Alom Z, Aung Z, Azim MA. Transfer learning: a friendly introduction. J Big Data. 2022; 9: 102. https://doi.org/10.1186/s40537-022-00652-w.
Rothe S, Kudszus B, Söffker D. Does Classifier Fusion Improve the Overall Performance? Numerical Analysis of Data and Fusion Method Characteristics Influencing Classifier Fusion Performance. Entropy (Basel). 2019 Sep 5; 21(9): 866. https://doi.org/10.3390/e21090866.
Brown JM, Campbell JP, Beers A, Chang K, Ostmo S, Chan RVP, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol. 2018; 136(7): 803-810.https://doi.org/10.1001/jamaophthalmol.2018.1934.
Redd TK, Campbell JP, Brown JM, Kim SJ, Ostmo S, Chan RVP, et al. Evaluation of a deep learning image assessment system for detecting severe retinopathy of prematurity. Br J Ophthalmol. 2019; 103(5): 580-584. https://doi.org/10.1136/bjophthalmol-2018-313156.
Tan Z, Simkin S, Lai C, Dai S. Deep learning algorithm for automated diagnosis of retinopathy of prematurity plus disease. Transl Vis Sci Technol. 2019; 8(6): 23. https://doi.org/10.1167/tvst.8.6.23.
Mao J, Zhang Y, Zhang Y, Guo Q, Zhang L, Dai R, et al. Automated diagnosis and quantitative analysis of plus disease in retinopathy of prematurity based on deep convolutional neural networks. Acta Ophthalmol. 2020; 98(3): e352-e359. https://doi.org/10.1111/aos.14264.
Hu J, Chen Y, Zhong J, Ju R, Yi Z. Automated analysis for retinopathy of prematurity by deep neural networks. IEEE Trans Med Imaging. 2018; 38(1): 269–79. https://doi.org/10.1109/TMI.2018.2865357.
Wang J, Ju R, Chen Y, Zhang L, Hu J, Wu Y, et al. Automated retinopathy of prematurity screening using deep neural networks. EBio Medicine. 2018; 35: 361–8. https://doi.org/10.1016/j.ebiom.2018.07.028.
Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. J Am Med Assoc. 2016; 316(22): 2402–10. https://doi.org/10.1001/jama.2016.17216.
Brown JM, Campbell JP, Beers A, Chang K, Ostmo S, Chan RP, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. J Am Med Assoc. 2018; 136(7): 803–10. https://doi.org/10.1001/jamaophthalmol.2018.1934.
Wang J, Ju R, Chen Y, Zhang L, Hu J, Wu Y, et al. Automated retinopathy of prematurity screening using deep neural networks. EBio Medicine. 2018; 35: 361-368. https://doi.org/10.1016/j.ebiom.2018.08.033
Huang Y-P, Li Y-C, Liu C-C, Wu J-Y, Huang S-H, Chen Y-J, et al. Deep learning models for automated diagnosis of retinopathy of prematurity in preterm infants. Electronics. 2020; 9(9): 1444. https://www.mdpi.com/2079-9292/9/9/1444.
Zaidi SAJ, Tariq S, Belhaouari SB. Future prediction of COVID-19 vaccine trends using a voting classifier. Data. 2021; 6(11): 112. https://doi.org/10.3390/data6110112.
Pour EK, Pourreza H, Zamani KA, Mahmoud A, Sadeghi AM, Shadravan M, et al. Retinopathy of prematurity-assist: Novel software for detecting plus disease. Korean J Ophthalmol. 2017; 31(6): 524-532. https://doi.org/10.3341/kjo.2017.0012.
Coyner AS, Campbell JP, Ostmo S, Kim SJ, Jonas KE, Paul RV, et al. Machine Learning for Prediction of Retinopathy of Prematurity Fundus Image Quality from Clinical Data. Investig Ophthalmol Vis Sci. 2019; 60(9): 1525-1525. https://doi.org/10.1167/iovs.19-27311.
Agrawal R, Kulkarni S, Walambe R, Kotecha K. Assistive framework for automatic detection of all the zones in retinopathy of prematurity using deep learning. J Digit Imaging. 2021; 34(4): 932-947. https://doi.org/10.1007/s10278-021-00455-2.