DOI: https://doi.org/10.48084/etasr.15311
تاريخ النشر: 2026-02-09
المؤلف: K. V. Shanthala وآخرون
الموضوع الرئيسي: تصوير الشبكية والتحليل
نظرة عامة
تقدم الدراسة RetinoFusionNet، وهو نظام فحص آلي مبتكر لاعتلال الشبكية السكري (DR)، والذي يعد سببًا رئيسيًا للعمى القابل للتجنب. يدمج هذا النظام نموذجًا موجهًا يعتمد على المحولات البصرية (ViT) يستخدم تضمين رقع متعددة الدقة، والانتباه عبر المقاييس، والتفكير القائم على النماذج المحددة للفئات. من خلال تقسيم صور قاع العين إلى رقع بأحجام مختلفة، يلتقط RetinoFusionNet بفعالية كل من الآفات المحلية والهياكل الشبكية الأوسع. تسهل آلية الانتباه عبر المقاييس في النموذج فهم الاعتماديات بين الشذوذات البعيدة، بينما يعزز التعلم القائم على النماذج القابلية للتفسير من خلال محاذاة التنبؤات مع الأنماط السريرية المعروفة.
تظهر التقييمات على مجموعات بيانات متعددة، بما في ذلك EyePACS وAPTOS 2019 وMessidor-2، أن RetinoFusionNet يحقق دقة رائدة مع انخفاض طفيف في الأداء عبر المجموعات بنسبة 4.1-4.5%، متفوقًا بشكل كبير على النماذج الحالية مثل ViT وProtoPNet، التي تعاني من انخفاضات تتراوح بين 8.3-12.1%. بالإضافة إلى ذلك، يظهر النموذج أداءً فعالًا مع وقت استدلال لكل صورة يبلغ 78 مللي ثانية، وانخفاض بنسبة 42% في استخدام الذاكرة مقارنةً بـ ViTs القياسية، ويعمل عند 14.6 GFLOPs فقط. تؤكد هذه النتائج على إمكانيات RetinoFusionNet كحل قوي وفعال وقابل للتفسير لفحص DR على نطاق واسع، خاصة في البيئات السريرية ذات الموارد المحدودة.
مقدمة
يعد اعتلال الشبكية السكري (DR) مضاعفة دقيقة هامة لمرض السكري من النوع الثاني وسببًا رئيسيًا للعمى القابل للتجنب. الكشف المبكر والتدخل أمران حاسمان، ومع ذلك فإن تصنيف الصور الشبكية يدويًا يتطلب جهدًا كبيرًا ويعاني من تباين بين الملاحظين. مع تزايد انتشار مرض السكري، خاصة في البلدان ذات الدخل المنخفض والمتوسط، هناك حاجة ملحة لأنظمة فحص آلية قابلة للتوسع وقابلة للتفسير. أظهرت تقنيات التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، وعدًا في الكشف عن DR من خلال تحديد الآفات الرئيسية؛ ومع ذلك، فإنها محدودة من حيث مجالات الاستقبال وعدم القدرة على دمج المعلومات الهيكلية العالمية، وهو أمر حيوي لتصنيف المرض بدقة. أدت التطورات الأخيرة إلى دمج آليات الانتباه في CNNs لمعالجة هذه القيود، مما يعزز الحساسية في الكشف المبكر عن DR.
الإطار المقترح، RetinoFusionNet، يجمع بشكل مبتكر بين قدرات التفكير العالمية لمحولات الرؤية (ViTs) مع التعلم القائم على النماذج القابلة للتفسير سريريًا. يتميز هذا الهيكل من النهاية إلى النهاية بآلية تضمين رقع هرمية تعالج الصور الشبكية بمقاييس مكانية مختلفة، مما يسمح بتحديد كل من الميزات المرضية الدقيقة والواسعة النطاق. كما يستخدم RetinoFusionNet استراتيجية تزامن تدريب موزعة لتعزيز قابلية التوسع وتقليل وقت التدريب مع الحفاظ على الدقة. تظهر التحقق على مجموعات بيانات مثل EyePACS وAPTOS 2019 وMessidor-2 دقته الفائقة وحساسيته وكفاءته مقارنة بالطرق الحالية، مما يمثل تقدمًا كبيرًا نحو أنظمة فحص DR العملية والموثوقة المناسبة لمجموعة متنوعة من الإعدادات السريرية.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تقييمهم لـ RetinoFusionNet، وهو إطار مصمم لتقييم اعتلال الشبكية السكري (DR). استخدم التقييم ثلاث مجموعات بيانات بارزة: EyePACS وAPTOS 2019 وMessidor-2. تتكون مجموعة بيانات EyePACS، المصدر الرئيسي، من 88,702 صورة قاع عين عالية الدقة تشمل مجموعة شاملة من شدة DR، من الشبكيات الصحية (الدرجة 0) إلى DR التكاثري المتقدم (الدرجة 4). تتضمن مجموعة بيانات APTOS 2019 5,590 صورة مع تعليقات خبراء، بينما تقدم Messidor-2 1,748 صورة مع تقييمات جودة وتصنيفات موحدة.
لضمان تقييم قوي، تم تقسيم مجموعات البيانات إلى مجموعات تدريب وتحقق واختبار بنسبة 70:15:15، مع الحفاظ على توازن الفئات عبر مستويات الشدة المختلفة لـ DR. يبرز هذا النهج المنهجي موثوقية وصلاحية التقييم الذي تم إجراؤه على الإطار المقترح.
المناقشة
في مناقشة ورقة البحث، يسلط المؤلفون الضوء على قيود نماذج المحولات البصرية (ViT) الحالية في الإعدادات السريرية، وخاصة اعتمادها على مجموعات بيانات موسعة مع تعليقات توضيحية وموارد حسابية، مما يعيق قابلية التوسع والتفسير. يشيرون إلى أنه بينما ظهر التعلم القائم على النماذج كنهج واعد لتعزيز الشفافية في التشخيص الطبي، فإن معظم الطرق الحالية محصورة في هياكل الشبكات العصبية التلافيفية (CNN)، مما يترك فجوة في دمج التفكير القائم على النماذج مع نماذج المحولات. يحدد المؤلفون التحديات الرئيسية في الكشف الآلي عن اعتلال الشبكية السكري (DR)، بما في ذلك التبادل بين القابلية للتفسير والأداء، وقابلية التوسع الحسابية، والتعميم عبر المجموعات.
لمعالجة هذه التحديات، يقترح المؤلفون RetinoFusionNet، وهو إطار ViT مستند إلى النماذج مصمم للكشف عن DR القابل للتفسير والقابل للتوسع. يتضمن هذا النموذج تضمين رقع هرمية متعددة المقاييس لالتقاط كل من ميزات الآفات المحلية والعالمية، وآلية انتباه عبر المقاييس لنمذجة الاعتماديات بين الآفات، ووحدة مقارنة نموذجية محددة للفئة تربط التنبؤات بأمثلة سريرية ذات صلة. تظهر الدراسة أن RetinoFusionNet يتفوق على النماذج الحالية عبر مقاييس تقييم متنوعة، محققًا دقة ملحوظة تبلغ 95.8% على مجموعة اختبار EyePACS، بينما يوفر أيضًا قابلية تفسير محسنة من خلال التفكير القائم على النماذج وخرائط البروز التي تتماشى مع أقنعة الآفات المعنونة من قبل الخبراء. تؤكد الأداء القوي للإطار عبر مجموعات بيانات متنوعة على إمكانياته للتطبيقات السريرية في العالم الحقيقي في فحص DR.
القيود
تشمل قيود RetinoFusionNet، على الرغم من إظهار أداء قوي في الكشف عن اعتلال الشبكية السكري (DR)، الحساسية للتغيرات في جودة الصورة والإضاءة غير المتساوية في بيانات الفحص في العالم الحقيقي. بالإضافة إلى ذلك، قد تواجه قابلية تفسير النموذج صعوبة مع أنواع الآفات النادرة أو المتداخلة، ويفتقر حاليًا إلى دمج تقنيات التصوير الشبكي متعددة الأنماط، مثل التصوير المقطعي البصري (OCT). تسلط هذه التحديات الضوء على الحاجة إلى تحسينات مستقبلية يمكن أن تدمج الاندماج متعدد الأنماط وتكيف النماذج مع مجالات محددة.
على الرغم من هذه القيود، يقدم RetinoFusionNet تقدمًا كبيرًا على أنظمة الكشف الحالية، حيث يعالج مشكلات مثل عدم قدرة الشبكات العصبية التلافيفية (CNNs) على التقاط الاعتماديات بعيدة المدى والطبيعة غير الشفافة لنماذج التعلم العميق. حقق الإطار مقاييس مثيرة للإعجاب، بما في ذلك دقة 95.8% وKappa وزني تربيعي (QWK) يبلغ 0.912 على مجموعة بيانات EyePACS، مع الحفاظ على القابلية للتفسير من خلال خرائط البروز الموجهة بالنماذج. ستركز الأبحاث المستقبلية على دمج بيانات OCT، وتكييف النماذج للتغيرات السكانية، واستخدام التعلم الفيدرالي لتعزيز قابلية تطبيق النموذج عبر مجموعات سكانية متنوعة.
DOI: https://doi.org/10.48084/etasr.15311
Publication Date: 2026-02-09
Author(s): K. V. Shanthala et al.
Primary Topic: Retinal Imaging and Analysis
Overview
The study presents RetinoFusionNet, an innovative automated screening system for Diabetic Retinopathy (DR), which is a major cause of preventable blindness. This system integrates a prototype-guided Vision Transformer (ViT) that employs multi-resolution patch embedding, cross-scale attention, and class-specific prototype reasoning. By segmenting fundus images into patches of varying sizes, RetinoFusionNet effectively captures both localized lesions and broader retinal structures. The model’s cross-scale attention mechanism facilitates the understanding of dependencies among distant abnormalities, while prototype-based learning enhances interpretability by aligning predictions with established clinical patterns.
Evaluation on multiple datasets, including EyePACS, APTOS 2019, and Messidor-2, reveals that RetinoFusionNet achieves state-of-the-art accuracy with a minimal cross-dataset performance drop of 4.1-4.5%, significantly outperforming existing models like ViT and ProtoPNet, which experience declines of 8.3-12.1%. Additionally, the model demonstrates efficient performance with a per-image inference time of 78 ms, a 42% reduction in memory usage compared to standard ViTs, and operates at just 14.6 GFLOPs. These findings underscore RetinoFusionNet’s potential as a robust, efficient, and interpretable solution for large-scale DR screening, especially in resource-limited clinical environments.
Introduction
Diabetic retinopathy (DR) is a significant microvascular complication of diabetes mellitus and a leading cause of preventable blindness. Early detection and intervention are crucial, yet manual grading of retinal images is labor-intensive and prone to inter-observer variability. With the increasing prevalence of diabetes, especially in low- and middle-income countries, there is a pressing need for scalable and interpretable automated screening systems. Deep learning techniques, particularly Convolutional Neural Networks (CNNs), have shown promise in detecting DR by identifying key lesions; however, they are limited by their receptive fields and inability to incorporate global structural information, which is vital for accurate disease grading. Recent advancements have integrated attention mechanisms into CNNs to address these limitations, enhancing sensitivity in early DR detection.
The proposed framework, RetinoFusionNet, innovatively combines the global reasoning capabilities of Vision Transformers (ViTs) with clinically interpretable prototype learning. This end-to-end architecture features a hierarchical patch embedding mechanism that processes retinal images at various spatial resolutions, allowing for the identification of both fine-grained and large-scale pathological features. RetinoFusionNet also employs a distributed training synchronization strategy to enhance scalability and reduce training time while maintaining accuracy. Validation on datasets such as EyePACS, APTOS 2019, and Messidor-2 demonstrates its superior accuracy, sensitivity, and efficiency compared to existing methods, marking a significant advancement toward practical and reliable DR screening systems suitable for diverse clinical settings.
Results
In this section, the authors present the results of their evaluation of RetinoFusionNet, a framework designed for diabetic retinopathy (DR) assessment. The evaluation utilized three prominent datasets: EyePACS, APTOS 2019, and Messidor-2. The EyePACS dataset, the primary source, consists of 88,702 high-resolution retinal fundus images that encompass a comprehensive range of DR severity, from healthy retinas (grade 0) to advanced proliferative DR (grade 4). The APTOS 2019 dataset includes 5,590 images with expert annotations, while Messidor-2 offers 1,748 images with quality assessments and standardized grading.
To ensure a robust evaluation, the datasets were partitioned into training, validation, and testing sets in a 70:15:15 ratio, maintaining class balance across the various severity levels of DR. This methodological approach underscores the reliability and validity of the assessment conducted on the proposed framework.
Discussion
In the discussion of the research paper, the authors highlight the limitations of existing Vision Transformer (ViT) models in clinical settings, particularly their reliance on extensive annotated datasets and computational resources, which hinder scalability and interpretability. They note that while prototype learning has emerged as a promising approach for enhancing transparency in medical diagnosis, most current methods are confined to Convolutional Neural Network (CNN) architectures, leaving a gap in integrating prototype reasoning with transformer models. The authors identify key challenges in automated diabetic retinopathy (DR) detection, including the interpretability-performance tradeoff, computational scalability, and cross-dataset generalization.
To address these challenges, the authors propose RetinoFusionNet, a prototype-informed ViT framework designed for interpretable and scalable DR detection. This model incorporates hierarchical multi-scale patch embedding to capture both localized and global lesion features, a cross-scale attention mechanism for modeling inter-lesion dependencies, and a class-specific prototype comparison module that grounds predictions in clinically relevant exemplars. The study demonstrates that RetinoFusionNet outperforms existing models across various evaluation metrics, achieving a notable accuracy of 95.8% on the EyePACS test set, while also providing enhanced interpretability through prototype-guided reasoning and saliency maps that align with expert-annotated lesion masks. The framework’s robust performance across diverse datasets further underscores its potential for real-world clinical applications in DR screening.
Limitations
The limitations of RetinoFusionNet, while demonstrating strong performance in diabetic retinopathy (DR) detection, include sensitivity to variations in image quality and uneven illumination in real-world screening data. Additionally, the model’s interpretability may struggle with rare or overlapping lesion types, and it currently lacks integration of multimodal retinal imaging techniques, such as Optical Coherence Tomography (OCT). These challenges highlight the need for future enhancements that could incorporate multimodal fusion and adapt prototypes to specific domains.
Despite these limitations, RetinoFusionNet presents a significant advancement over existing detection systems, addressing issues such as the inability of Convolutional Neural Networks (CNNs) to capture long-range dependencies and the opaque nature of deep learning models. The framework achieved impressive metrics, including 95.8% accuracy and a Quadratic Weighted Kappa (QWK) of 0.912 on the EyePACS dataset, while maintaining interpretability through prototype-guided saliency maps. Future research will focus on integrating OCT data, adapting prototypes for demographic variations, and employing federated learning to enhance the model’s applicability across diverse populations.