道盟TY -的A2 - Li - Lo Jui-En AU -康,尤金林玉娟AU - Chen Yun-Nung盟,谢长廷Yi-Ting AU - Wang Nan-Kai AU - Chen Ta-Ching AU - Chen Kuan-Jen盟——吴,首度登上非盟-黄,Yih-Shiou AU - Lo Fu-Sung AU -赖,Chi-Chun PY - 2021 DA - 2021/12/28 TI -数据在深度上优于同质性效果的预测1型糖尿病性视网膜病变SP - 2751695六世- 2021 AB -本研究旨在评估一个深转移上优于模型识别糖尿病性视网膜病变(DR)与高可变性和训练使用数据集的2型糖尿病(T2D)和比较模型的性能,在1型糖尿病患者(近年来)。Kaggle数据集,这是一个公开的数据集,Kaggle数据集分为训练和测试。在比较数据集,我们收集了近年来患者的视网膜眼底图像在台湾长庚纪念医院从2013年到2020年,和图片是近年来数据集分为训练和测试。模型被开发使用4种不同的卷积神经网络(Inception-V3 densenet - 121、VGG1 Xception)。博士预测的模型性能评估从每个数据集,使用测试图像和曲线下面积(AUC)、敏感性和特异性进行了计算。模型的训练数据集使用Kaggle平均(范围)AUC的0.74(0.03)和0.87(0.01)在测试Kaggle和近年来的数据集,分别。模型训练使用近年来数据集的AUC 0.88(0.03),下降到0.57(0.02)在测试Kaggle数据集。热图显示模型集中在视网膜出血,血管,和分泌博士预测错误的预测图像、工件和low-image质量影响模型的性能。高可变性和T2D的模型主要数据集可以应用到近年来的病人。数据集同质性可能会影响性能,可训练性和模型的泛化。 SN - 2314-6745 UR - https://doi.org/10.1155/2021/2751695 DO - 10.1155/2021/2751695 JF - Journal of Diabetes Research PB - Hindawi KW - ER -