Методика адаптации алгоритмов глубокого обучения для скрининга диабетической ретинопатии в условиях реальной клинической практики
Журнал: Компьютерная оптика @computer-optics
Рубрика: Численные методы и анализ данных
Статья в выпуске: 4 т.50, 2026 года.
Бесплатный доступ
Применение систем искусственного интеллекта для скрининга диабетической ретинопатии в реальной клинической практике ограничено проблемой снижения точности алгоритмов при переносе на новые источники данных. Целью данной работы является разработка и валидация методики адаптации предобученных моделей к условиям гетерогенности медицинских изображений. В исследовании проанализировано влияние различий в характеристиках наборов данных на качество классификации. Показано, что при прямом переносе модели с открытых баз данных на локальный клинический набор (1123 снимка, 302 пациента), отличающийся техническими параметрами снимков и выраженным дисбалансом классов, метрика macro-F1 снижается с 0,86 до 0,38. Для обеспечения корректного переноса знаний модели и минимизации шума при обучении ключевым этапом работы стало формирование качественного эталонного локального набора данных. Для этого был применен многоступенчатый протокол аннотирования и оценки согласованности врачей-экспертов. На основе подготовленных данных была реализована двухэтапная стратегия трансферного обучения (архитектура EfficientNet-B0). Несмотря на ограниченный объем выборки, данная схема разметки в сочетании с предложенным подходом к дообучению позволила повысить метрику macro-F1 на валидационной выборке до 0,63. Результаты подтверждают, что создание качественно размеченных локальных датасетов является критически важным шагом для успешной адаптации диагностических систем к условиям практического здравоохранения.
Короткий адрес: https://sciup.org/140316476
IDS: 140316476 | DOI: 10.18287/COJ1839
Deep Learning for Diabetic Retinopathy Screening: An Adaptation Methodology for Real-World Clinical Environments
The deployment of deep learning systems for diabetic retinopathy screening in real-world clinical settings is limited by performance degradation when algorithms are applied to novel data sources. This study aims to develop and validate a methodology for adapting pre-trained models to the heterogeneity inherent in medical imaging data. The research analyzes the impact of dataset disparities on classification performance. It is demonstrated that the direct transfer of a model trained on public databases to a local clinical dataset (1,123 images, 302 patients), characterized by distinct technical parameters and pronounced class imbalance, results in a significant decline in the macro-F1 score from 0.86 to 0.38. To ensure robust knowledge transfer and minimize training noise, a critical stage of this work involved constructing a high-quality reference local dataset. This was achieved through a multi-stage annotation protocol and an assessment of inter-rater agreement among expert physicians. Utilizing the curated data, a two-stage transfer learning strategy was implemented using the EfficientNet-B0 architecture. Despite the limited sample size, this annotation scheme, combined with the proposed fine-tuning approach, improved the macro-F1 score on the validation set to 0.63. The results confirm that the creation of annotated local datasets is a critical step for the successful adaptation of diagnostic systems to practical healthcare settings.
