당뇨병성 망막병증(DR)은 장기적인 당뇨병 환자에서 흔히 관찰되는 진행성 눈 질환입니다. 당뇨병 환자의 수가 증가함에 따라 안과의사의 지속적인 관심을 받기가 어려워지고 있습니다. 정확한 자동 탐지가 필요합니다. 본 연구는 정확성과 신뢰성을 향상시키기 위해 고급 딥러닝 및 기계 학습 기술을 통합한 DR 탐지를 위한 새로운 하이브리드 분류 프레임워크를 제안합니다. 제안된 프레임워크는 데이터 증대를 위한 생성적 적대 신경망 기반 증대 기법과 특징 추출을 위한 ResNet101 기반 전이 학습을 채택하며, 강화 학습은 가장 중요한 특징을 식별하여 모델 성능을 향상시킵니다. 하이브리드 XGBoost-LSTM 앙상블 분류기는 순차적 의존성과 그래디언트 부스팅 결정 트리를 활용하여 DR 분류를 최적화하도록 개발되었습니다. 제안된 방법의 효능은 세 가지 표준 데이터셋(Kaggle EyePACS 데이터셋, MESSIDOR 및 APTOS)의 분석을 통해 평가되어 그 강건성과 일반성을 확립합니다. 제안된 방법은 추가 트리, 지지 벡터 기계, 로지스틱 회귀, 랜덤 포레스트 및 다층 퍼셉트론과 같은 기존 기계 학습 분류기보다 향상된 성능을 보여줍니다. 또한 LeNet-5, VGG16, ResNet50, Inception V3, EfficientNet, DenseNet 및 AlexNet과 같은 사전 훈련된 딥러닝(DL) 모델보다 뛰어난 성능을 발휘합니다. 제안된 하이브리드 모델은 모든 데이터셋에서 우수한 성능을 달성하여 Kaggle 데이터셋에서 98.60% 정확도와 97.46% 곡선 아래 면적(AUC), MESSIDOR 데이터셋에서 98.60% 정확도와 96.75% AUC, APTOS 데이터셋에서 98.75% 정확도와 96.22% AUC를 달성합니다. 비교 분석은 기존 특징 추출 및 분류 방법의 한계를 강조하며, 제안된 방법은 DL 및 앙상블 기술을 효과적으로 활용하여 DR 탐지의 정확성과 신뢰성을 향상시킵니다.
A 외. (화,) 이 문제를 연구했습니다.