Modelo diagnóstico inteligente para pterígios ao combinar mecanismo de atenção e MobileNetV2

OBJETIVO: Avaliar a aplicação de um modelo diagnóstico inteligente para pterígios. MÉTODOS: Para o diagnóstico inteligente de pterígios, os mecanismos de atenção—SENet, ECANet, CBAM e Auto-Atenção—foram fundidos com a estrutura do modelo leve MobileNetV2 para construir um modelo de tri-classificação. O estudo utilizou 1220 imagens de três tipos de segmentos oculares anteriores de pterígios fornecidas pelo Hospital Oftalmológico da Universidade Médica de Nanjing. Modelos de classificação convencionais—VGG16, ResNet50, MobileNetV2 e EfficientNetB7—foi treinados com o mesmo conjunto de dados para comparação. Para avaliar o desempenho do modelo em termos de acurácia, valor Kappa, tempo de teste, sensibilidade, especificidade, a área sob a curva (AUC) e mapa de calor visual, foram usadas 470 imagens de teste do segmento anterior do pterígio. RESULTADOS: A precisão do modelo MobileNetV2+Auto-Atenção com 281 MB de tamanho foi de 92,77%, e o valor Kappa do modelo foi de 88,92%. O tempo de teste usando o modelo foi de 9ms/imagem no servidor e 138ms/imagem no computador local. A sensibilidade, especificidade e AUC para o diagnóstico de pterígios usando imagens normais do segmento anterior foram de 99,47%, 100% e 100%, respectivamente; usando imagens do segmento anterior no período de observação foram de 88,30%, 95,32% e 96,70%, respectivamente; e usando as imagens do segmento anterior no período da cirurgia foram de 88,18%, 94,44% e 97,30%, respectivamente. CONCLUSÃO: O modelo desenvolvido é leve e pode ser utilizado não apenas para detecção, mas também para avaliar a gravidade do pterígio.