Automatyczne wykrywanie retinopatii cukrzycowej na kolorowych obrazach siatkówki z wykorzystaniem metod uczenia maszynowego

Praca dyplomowa podejmuje problematykę zautomatyzowanej diagnostyki retinopatii cukrzycowej, będącej jedną z najczęstszych przyczyn utraty wzroku na świecie. Ponieważ tradycyjna ocena zdjęć dna oka jest procesem czasochłonnym i wymagającym zaangażowania wykwalifikowanych specjalistów, głównym celem projektu było zaprojektowanie, zaimplementowanie oraz weryfikacja systemu informatycznego wykorzystującego sztuczną inteligencję do klasyfikacji stadiów tej choroby na podstawie cyfrowych, kolorowych fotografii siatkówki. W badaniach wykorzystano obszerną, publiczną bazę obrazów udostępnioną na platformie Kaggle, do której zastosowano dedykowany rurociąg inżynierii danych. Obejmował on między innymi zaawansowane przetwarzanie wstępne metodą Bena Grahama, które zniwelowało nierównomierne oświetlenie tła i uwydatniło wczesne zmiany patologiczne, takie jak mikrotętniaki. Rozwiązano również problem skrajnej stronniczości danych poprzez asymetryczne zbalansowanie zbioru, łączące celową redukcję liczebności zdjęć pacjentów zdrowych z geometryczną augmentacją obrazów przedstawiających stany chorobowe. Jako rdzeń klasyfikatora wykorzystano konwolucyjną sieć neuronową o lekkiej i wydajnej architekturze EfficientNetB3. Proces jej treningu przeprowadzono z użyciem dwuetapowego uczenia transferowego, na które składała się faza bezpiecznej rozgrzewki oraz powolnego dostrajania całej struktury modelu. Aby dostosować system do rygorystycznych wymogów medycznych, zmodyfikowano funkcję straty za pomocą techniki wygładzania etykiet oraz ręcznie dostosowano wagi klas. Zabieg ten wymusił na algorytmie surowsze karanie błędów w najcięższych stadiach choroby, priorytetyzując bezpieczeństwo pacjenta. Dodatkowo, w fazie wnioskowania zastosowano technikę Test Time Augmentation (TTA), zwiększającą niezawodność ostatecznej diagnozy. Do rzetelnej oceny skuteczności modelu wykorzystano współczynnik Quadratic Weighted Kappa (QWK), który uwzględnia kliniczny, uporządkowany charakter stadiów retinopatii. Opracowany system uzyskał wartość QWK na poziomie 0,804 dla niezależnego zbioru walidacyjnego. Z perspektywy medycznej oznacza to osiągnięcie pułapu znacznej zgodności z diagnozami stawianymi przez ludzkich lekarzy-ekspertów. Uzyskane rezultaty dowodzą, że zaprojektowany system stanowi obiektywne i wysoce precyzyjne narzędzie o dużym potencjale aplikacyjnym, które może z powodzeniem wspierać personel medyczny w procesie wstępnego triażu i badaniach przesiewowych.