Застосування згорткової нейронної мережі для класифікації офтальмологічних захворювань за зображеннями очного дна

Abstract

У роботі висвітлено актуальність застосування методів машинного навчання для автоматизації діагностики в офтальмології. Проведено аналіз існуючих підходів та їхніх недоліків, зокрема, проблем, пов’язаних із дисбалансом даних та складністю інтерпретації результатів. Розроблено програмний прототип на основі згорткової нейронної мережі ResNet-18 для мультилейблової класифікації восьми поширених офтальмологічних патологій за знімками очного дна з набору даних ODIR-5K. Продемонстровано, що модель досягає обнадійливих результатів (macro-усереднений ROC AUC ~ 0,86), але її ефективність суттєво різниться між класами. Проаналізовано вплив порогів бінаризації на метрики точності та повноти, що є критичним для адаптації моделі до клінічних завдань. Результати підтверджують перспективність підходу, але вказують на необхідність подальшого вдосконалення для подолання дисбалансу класів та підвищення надійності. The relevance of applying machine learning techniques to automated diagnostics in ophthalmology is substantiated. Existing approaches are systematically reviewed, and their limitations are critically assessed, with particular attention given to issues of class imbalance and the interpretability of model outputs. A software prototype was implemented utilizing the ResNet-18 convolutional neural network architecture for multi-label classification of eight prevalent ophthalmic pathologies, based on fundus images from the ODIR-5K dataset. A macroaveraged ROC AUC of approximately 0.86 was attained, although substantial variability in performance across individual classes was observed. The influence of binarization thresholds on precision and recall metrics is examined, as this parameter is recognized as pivotal for the adaptation of the model to clinical requirements. The obtained results underscore the potential of the proposed approach, while simultaneously highlighting the necessity for further methodological refinements to mitigate class imbalance and improve overall diagnostic reliability.