Détection améliorée de la rétinopathie diabétique à l'aide de la sélection de caractéristiques basée sur l'apprentissage automatique et des classificateurs d'ensemble

La rétinopathie diabétique (RD) est un trouble progressif de l'œil communément observé chez les personnes atteintes de diabète de longue durée. Alors que le nombre de personnes diabétiques augmente, il est difficile d'obtenir l'attention constante des ophtalmologistes. Une détection automatique avec précision est nécessaire. Cette étude propose un nouveau cadre de classification hybride pour la détection de la RD, intégrant des techniques avancées d'apprentissage profond et d'apprentissage automatique pour améliorer l'exactitude et la fiabilité. Le cadre proposé utilise une technique d'augmentation basée sur un réseau antagoniste génératif pour l'augmentation des données et un apprentissage par transfert basé sur ResNet101 pour l'extraction des caractéristiques, et l'apprentissage par renforcement améliore les performances du modèle en identifiant les caractéristiques les plus significatives. Le classificateur d'ensemble hybride XGBoost-LSTM est développé pour optimiser la classification de la RD en utilisant à la fois des dépendances séquentielles et des arbres de décision boostés par gradient. L'efficacité de la méthode proposée est évaluée à travers l'analyse de trois ensembles de données standard : l'ensemble de données Kaggle EyePACS, MESSIDOR et APTOS, afin d'établir sa robustesse et sa généralisabilité. La méthode proposée démontre des performances améliorées par rapport aux classificateurs d'apprentissage automatique conventionnels, tels que les arbres supplémentaires, les machines à vecteurs de support, la régression logistique, la forêt aléatoire et le perceptron multicouche. De plus, elle surpasse les modèles d'apprentissage profond (AP) pré-entraînés tels que LeNet-5, VGG16, ResNet50, Inception V3, EfficientNet, DenseNet et AlexNet. Le modèle hybride proposé atteint des performances supérieures sur tous les ensembles de données, obtenant 98.60% de précision et 97.46% de l'aire sous la courbe (AUC) sur l'ensemble de données de Kaggle, 98.60% de précision et 96.75% d'AUC sur l'ensemble de données MESSIDOR, et 98.75% de précision et 96.22% d'AUC sur l'ensemble de données APTOS. L'analyse comparative souligne les limites des méthodes conventionnelles d'extraction de caractéristiques et de classification, tandis que la méthode proposée utilise efficacement les techniques d'AP et d'ensemble pour améliorer la précision et la fiabilité de la détection de la RD.