Aplicación de un marco de aprendizaje profundo para la predicción temprana de la retinopatía diabética
Autores: Mostafa, Fahad; Khan, Hafiz; Farhana, Fardous; Miah, Md Ariful Haque
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Aplicación de un marco de aprendizaje profundo para la predicción temprana de la retinopatía diabética
Categoría
Matemáticas
Subcategoría
Matemáticas aplicadas
Palabras clave
Retinopatía diabética
Aprendizaje profundo
Arquitecturas de redes neuronales convolucionales
MobileNetV2
Método de conjunto
Análisis predictivo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
La retinopatía diabética (RD) es una grave complicación microvascular de la diabetes que afecta los ojos, provocando un daño progresivo en la retina y una posible pérdida de visión. La intervención y detección oportunas son cruciales para prevenir daños irreversibles. Con el avance de la tecnología, el aprendizaje profundo (AD) ha surgido como una herramienta poderosa en el diagnóstico médico, ofreciendo una solución prometedora para la predicción temprana de la RD. Este estudio compara cuatro arquitecturas de redes neuronales convolucionales, DenseNet201, ResNet50, VGG19 y MobileNetV2, para predecir la RD. La evaluación se basa tanto en la precisión como en los datos de tiempo de entrenamiento. MobileNetV2 supera a otros modelos, con una precisión de validación del 78.22%, y ResNet50 tiene el tiempo de entrenamiento más corto (15.37 s). Estos hallazgos enfatizan la compensación entre la precisión del modelo y la eficiencia computacional, destacando la aplicabilidad potencial de MobileNetV2 para la predicción de RD debido a su equilibrio entre alta precisión y un tiempo de entrenamiento razonable. Al realizar una validación cruzada de 5 pliegues con 100 repeticiones, el conjunto de MobileNetV2 y una Red de Convolución Gráfica exhibe una precisión de validación del 82.5%, superando significativamente a MobileNetV2 por sí solo, que muestra una precisión de validación de 77.4%. Este rendimiento superior se valida aún más mediante el área bajo la curva de características operativas del receptor (ROC), demostrando la capacidad mejorada del método de conjunto para detectar con precisión la retinopatía diabética. Esto sugiere su competencia en clasificar datos de manera efectiva y resalta su solidez en múltiples escenarios de validación. Además, el enfoque de agrupamiento propuesto puede encontrar ubicaciones dañadas en la retina utilizando el método desarrollado de Aislar Regiones de Interés, que logra casi un 90% de precisión. Estos hallazgos son útiles para investigadores y profesionales de la salud que buscan investigar modelos potentes, eficientes y efectivos para análisis predictivos para diagnosticar la retinopatía diabética.
Descripción
La retinopatía diabética (RD) es una grave complicación microvascular de la diabetes que afecta los ojos, provocando un daño progresivo en la retina y una posible pérdida de visión. La intervención y detección oportunas son cruciales para prevenir daños irreversibles. Con el avance de la tecnología, el aprendizaje profundo (AD) ha surgido como una herramienta poderosa en el diagnóstico médico, ofreciendo una solución prometedora para la predicción temprana de la RD. Este estudio compara cuatro arquitecturas de redes neuronales convolucionales, DenseNet201, ResNet50, VGG19 y MobileNetV2, para predecir la RD. La evaluación se basa tanto en la precisión como en los datos de tiempo de entrenamiento. MobileNetV2 supera a otros modelos, con una precisión de validación del 78.22%, y ResNet50 tiene el tiempo de entrenamiento más corto (15.37 s). Estos hallazgos enfatizan la compensación entre la precisión del modelo y la eficiencia computacional, destacando la aplicabilidad potencial de MobileNetV2 para la predicción de RD debido a su equilibrio entre alta precisión y un tiempo de entrenamiento razonable. Al realizar una validación cruzada de 5 pliegues con 100 repeticiones, el conjunto de MobileNetV2 y una Red de Convolución Gráfica exhibe una precisión de validación del 82.5%, superando significativamente a MobileNetV2 por sí solo, que muestra una precisión de validación de 77.4%. Este rendimiento superior se valida aún más mediante el área bajo la curva de características operativas del receptor (ROC), demostrando la capacidad mejorada del método de conjunto para detectar con precisión la retinopatía diabética. Esto sugiere su competencia en clasificar datos de manera efectiva y resalta su solidez en múltiples escenarios de validación. Además, el enfoque de agrupamiento propuesto puede encontrar ubicaciones dañadas en la retina utilizando el método desarrollado de Aislar Regiones de Interés, que logra casi un 90% de precisión. Estos hallazgos son útiles para investigadores y profesionales de la salud que buscan investigar modelos potentes, eficientes y efectivos para análisis predictivos para diagnosticar la retinopatía diabética.