А.Н. Наркевич1, Т.Х. Мамедов2

1,2 ФГБОУ ВО КрасГМУ им. проф. В.Ф. Войно-Ясенецкого Минздрава России (г. Красноярск, Россия)

Постановка проблемы. В современных системах поддержки принятия решения предлагаемые различные математические и интеллектуальные методы имеют множество настраиваемых конфигураций. Их совместное применение (ансамбль) способно повысить точность диагностики диабетической ретинопатии.

Цель работы – разработка ансамблей классификационных математических моделей для повышения точности автоматизированной диагностики диабетической ретинопатии.

Результаты. В исследовании использованы изображения из открытого репозитория DIARETDB1 – Standard Diabetic Retinopathy Database. Построение классификационных математических моделей и ансамблей осуществлялось в статистическом пакете IBM SPSS Statistics v.19. В состав ансамблей входили следующие классификационные математические модели: дискриминантное уравнение, дерево классификации, логистическое регрессионное уравнение и искусственная многослойная нейронная сеть. Были построены четыре ансамбля классификационных математических моделей. В качестве результирующей модели в ансамблях использовалась модель дерева классификации. Достигнуто улучшение показателей точности классификации пикселей для отдельных признаков диабетической ретинопатии: твёрдые экссудаты – 84,6 [84,4; 84,8]%; геморрагии – 82,6 [81,7; 83,4]%; микроаневризмы – 86,2 [85,1; 87,3]%; мягкие экссудаты – 92,3 [91,5; 93,0]%. Использование ансамблей моделей является оправданным подходом к улучшению качества классификации.

Практическая значимость. Построенные ансамбли классификационных математических моделей являются перспективным способом повышения точности классификации диабетической ретинопатии и могут в дальнейшем применяться в системах поддержки принятия решения.

Наркевич А.Н., Мамедов Т.Х. Применение ансамблей классификационных математических моделей для повышения точности автоматизированной диагностики диабетической ретинопатии // Технологии живых систем. 2021. T. 18. № 4. С. 50−55. DOI: https://doi.org/10.18127/j20700997-202104-05

1. Дедов И.И., Шестакова М.В., Викулова О.К. Эпидемиология сахарного диабета в Российской Федерации: клиникостатистический анализ по данным Федерального регистра сахарного диабета // Сахарный диабет. 2017. Т. 20(1). С. 13–41.
2. Дедов И.И., Шестакова М.В., Викулова О.К., Железнякова А.В., Исаков М.А. Эпидемиология сахарного диабета в Российской Федерации: Что изменилось за последнее десятилетие? // Терапевтический архив. 2019. Т. 91(10). С. 4–13.
3. Дедов И.И., Шестакова М.В., Викулова О.К., Железнякова А.В., Исаков М.А. Сахарный диабет в Российской Федерации: распространённость, заболеваемость, смертность, параметры углеводного обмена и структура сахароснижающей терапии по данным Федерального регистра сахарного диабета, статус 2017 г. // Сахарный диабет. 2018. Т. 21(3). С. 144–159.
4. Цыкунов Д.В., Моисеева В.А. Применение глубокого обучения в задаче диагностирования заболеваний по изображениям оптической когерентной томографии // Политехнический молодёжный журнал. 2018. Т. 12. С. 1–8. 
5. Abramoff M.D., Lou Y., Erginay A., Clarida W., Amelon R., Folk J.C., Niemejer M. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning // Investigative Ophthalmology & Visual Science. 2016. V. 57(13). P. 5200–5206.
6. Kapoor R., Walters S.P., Ai-Aswad L.A. The current state of artificial intelligence in ophthalmology // Survey of Ophthalmology. 2019. V. 64(2). P. 233–240.
7. Kaur J., Mittal D. A generalized method for the segmentation of exudates from pathological retinal fundus images // Biocybernetics and Biomedical Engineering. 2018. V. 38(1). P. 27–53.
8. Khojasteh P., Aliahmad B., Kumar D.K. Fundus images analysis using deep features for detection of exudates, hemorrhages and microaneurysms // BMC Ophthalmology. 2018. V. 18(288). P. 1–13.
9. Ting D.S., Cheung G.C., Wong T.Y. Diabetic retinopathy: global prevalence, major risk factors, screening practices and public health challenges: a review // Clinical & Experimental Ophthalmology. 2016. V. 44(4). P. 260–277.
10. Wong T.Y., Bressler N.M. Artificial intelligence with deep learning technology looks into diabetic retinopathy screening // JAMA. 2016. V. 316(22). P. 2366–2367.