Resumen

La retinopatía diabética (RD) es una de las complicaciones más frecuentes de la diabetes y la principal causa de ceguera. La progresión de la enfermedad puede prevenirse con un diagnóstico precoz de la RD. Debido a las diferencias en la distribución de las afecciones médicas y a la escasa eficacia de la mano de obra, se pasa por alto el mejor momento para el diagnóstico y el tratamiento, lo que se traduce en un deterioro de la visión. El uso de modelos de redes neuronales para clasificar y diagnosticar la RD puede mejorar la eficiencia y reducir los costes. En este trabajo, se propuso una función de pérdida mejorada y tres estructuras de modelo híbridas Hybrid-a, Hybrid-f e Hybrid-c para mejorar el rendimiento de los modelos de clasificación de RD. Como modelos básicos se eligieron las CNN EfficientNetB4, EfficientNetB5, NASNetLarge, Xception e InceptionResNetV2. Estos modelos básicos se entrenaron utilizando la pérdida de entropía cruzada mejorada y la pérdida de entropía cruzada, respectivamente. Los resultados de los modelos básicos se utilizaron para entrenar las estructuras de los modelos híbridos. Los experimentos mostraron que la pérdida de entropía cruzada mejorada puede acelerar eficazmente el proceso de entrenamiento de los modelos básicos y mejorar el rendimiento de los modelos bajo varias métricas de evaluación. Las estructuras de modelos híbridos propuestas también pueden mejorar el rendimiento de la clasificación de RD. En comparación con los mejores resultados de los modelos básicos, la precisión de la clasificación de RD mejoró del 85,44% al 86,34%, la sensibilidad mejoró del 98,48% al 98,77%, la especificidad mejoró del 71,82% al 74,76%, la precisión mejoró del 90,27% al 91,37% y la puntuación F1 mejoró del 93,62% al 93,9 y utilizando estructuras de modelos híbridos.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:modelos básicos, estructuras de modelos híbridos, pérdida de entropía, DR, híbridos, modelos de clasificación DR, rendimiento de la clasificación DR, escasa eficiencia laboral, modelos de redes neuronales, diversas métricas de evaluación
• Keywords:basic models, hybrid model structures, entropy loss, DR, Hybrid, DR classification models, DR classification performance, low labor efficiency, neural network models, various evaluation metrics