基于元启发式优化和机器学习的三流深度特征选择用于多阶段高血压视网膜病变诊断
摘要
高血压视网膜病变 (HR) 是一种严重的眼部疾病，如果不能及早诊断，可能导致永久性失明。传统诊断方法耗时且主观，凸显了对自动化、可靠系统的需求。现有研究常仅使用单一深度学习 (DL) 模型，难以区分 HR 的不同阶段。本研究引入三阶段方法以提高 HR 诊断准确率。初始阶段测试了 14 个 CNN 模型，确定 DenseNet169、MobileNet 和 ResNet152 为最有效的模型。DenseNet169 实现了 87.73% 的准确率、87.75% 的精确率、87.73% 的召回率、87.67% 的 F1 分数和 0.8359 的 Cohen's Kappa。MobileNet 紧随其后，准确率为 86.40%，精确率为 86.60%，召回率为 86.40%，F1 分数为 86.31%，Cohen's Kappa 为 0.8180。ResNet152 位列第三，准确率为 85.87%，精确率为 86.01%，召回率为 85.87%，F1 分数为 85.83%，Cohen's Kappa 为 0.8188。在第二阶段，将这些模型的深度特征融合并使用机器学习 (ML) 算法 (SVM、RF、XGBoost) 进行分类。SVM（sigmoid 核函数）表现最佳，准确率为 92.00%，精确率为 91.93%，召回率为 92.00%，F1 分数为 91.91%，Cohen's Kappa 为 0.8930。在第三阶段，应用元启发式优化（GA、ABC、PSO、HHO）进行特征选择。HHO 实现了 94.66% 的准确率、精确率和召回率，F1 分数为 94.64%，Cohen's Kappa 为 0.9286。该方法在 HR 诊断准确率和泛化性方面超越了单一 CNN 模型和前期研究。
引用
@article{arxiv.2503.01603,
title = {Triple-Stream Deep Feature Selection with Metaheuristic Optimization and Machine Learning for Multi-Stage Hypertensive Retinopathy Diagnosis},
author = {Suleyman Burcin Suyun and Mustafa Yurdakul and Sakir Tasdemir and Serkan Bilic},
journal= {arXiv preprint arXiv:2503.01603},
year = {2025}
}