基于准确度加权深度集成与熵导向 abstention 的选择性糖尿病视网膜病变筛查

糖尿病视网膜病变（DR）是一种糖尿病的微血管并发症，是可预防失明的主要原因，预计到2030年将影响全球超过13000万人。及早识别对于减少不可逆视力损失至关重要，但当前诊断工作流程依赖于视网膜摄影和专家审核，这些方法成本高昂且资源密集。此外，由于DR的无症状性质，其约25%的未被诊断率。虽然卷积神经网络（CNN）在医学影像任务中表现出强大的性能，但其可解释性有限，且缺乏不确定性量化，限制了临床可靠性。因此，本研究引入一种集成不确定性估计的深度集成学习框架，以提高DR检测的鲁棒性、透明度和可扩展性。该集成包含七种CNN架构——ResNet-50、DenseNet-121、MobileNetV3（Small和Large）以及EfficientNet（B0、B2、B3）——其输出通过准确度加权多数投票策略融合。概率加权熵度量量化预测不确定性，使低置信度样本能够被排除或标记为额外审核。在35000张EyePACS视网膜 Fundus 图像上进行训练和验证后，未过滤的准确率为93.70%（F1=0.9376），不确定性过滤后可达最高99.44%（F1=0.9932）。该框架表明，准确度加权的不确定性感知集成在不妥协性能方面提高了可靠性。具有置信度校准输出和可调准确覆盖率权衡，为高风险护理中的可信赖AI诊断部署提供了通用范式。