Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu sonuçlar, sıralı DR derecelendirmesinde doğru sınıf-dengeleme yapılandırmasının kayıp fonksiyonu seçiminden daha belirleyici olduğunu göstermektedir.
📌 3 Maddede Bu Makale
Özet
Diyabetik retinopati (DR), dünya genelinde önlenebilir körlüğün önde gelen nedenlerinden biridir ve diyabet hastalarının yaklaşık üçte birini etkilemektedir. Bu çalışmada, APTOS 2019 veri kümesi kullanılarak beş sınıflı DR şiddet derecelendirmesi için üç hafif evrişimsel sinir ağının (EfficientNet-B0, MobileNetV3-Small ve DenseNet-121) karşılaştırmalı analizi sunulmaktadır. ImageNet ön eğitimli omurgalarla iki aşamalı transfer öğrenme, CLAHE ve Ben Graham ön işleme ile desteklenmiştir. Sıralı sınıf sınırı belirsizliğini ele almak için CrossEntropy, Focal Loss ve CORN (Koşullu Sıralı Regresyon) kayıp fonksiyonları karşılaştırılmıştır. Temel bulgumuz metodolojiktir: sınıf-dengeli örnekleyici (sampler) ile ters-frekans ağırlıklı kaybın birlikte kullanımı (“çifte dengeleme”), ikinci en büyük sınıfı (Orta DR) sessizce F1=0.00’a çökertmekte; bileşenlerden biri kaldırıldığında Orta DR F1’i 0.63–0.75’e geri dönmektedir. Adil, tek-dengelemeli yapılandırmada doğru kurulmuş hafif CNN’ler güçlü ve genellenebilirdir; en iyi (CrossEntropy) yapılandırması APTOS QWK ≈ 0.88 ve sıfır-atış IDRiD QWK ≈ 0.72, refere-edilebilir DR AUC ≈ 0.95’e ulaşır (CORN biraz daha düşüktür). Sıralı (CORN) ve standart (CE) kayıplar APTOS’ta benzer performans göstermekte ve istatistiksel olarak ayırt edilememektedir; ancak IDRiD’de ortalama mutlak hata bakımından CrossEntropy anlamlı biçimde daha iyidir. CORN’un pratik avantajı dayanıklılıktır: sınıf-ağırlığı ayarı gerektirmeden benzer performansa ulaşır ve hiçbir sınıfı çökertmez. Grad-CAM, model dikkatini niteliksel olarak göstermek için kullanılmıştır. Bu sonuçlar, sıralı DR derecelendirmesinde doğru sınıf-dengeleme yapılandırmasının kayıp fonksiyonu seçiminden daha belirleyici olduğunu göstermektedir.
Abstract
Diabetic retinopathy (DR) is a leading cause of preventable blindness worldwide, affecting approximately one-third of diabetic patients. Early detection through automated retinal screening systems can significantly reduce the burden of vision loss. In this study, we present a comparative analysis of three lightweight convolutional neural networks—EfficientNet-B0, MobileNetV3-Small, and DenseNet-121—for five-class DR severity grading using the APTOS 2019 dataset. We employ a two-phase transfer learning strategy with ImageNet-pretrained backbones, enhanced by CLAHE and Ben Graham preprocessing. To examine how the class-balancing configuration and the loss function affect ordinal DR grading, particularly for Moderate DR detection, we conduct ablation studies comparing CrossEntropy, Focal Loss, and CORN (Conditional Ordinal Regression) loss functions. Our central finding is methodological: combining a class-balanced sampler with an inverse-frequency weighted loss (“double rebalancing”) silently collapses the second-largest class (Moderate DR) to an F1-score of 0.00, whereas removing either component restores Moderate-DR F1 to 0.63–0.75. Under a fair single-rebalancing configuration, well-configured lightweight CNNs are strong and generalizable, with the best (CrossEntropy) configuration reaching APTOS QWK ≈ 0.88 and, zero-shot on IDRiD, QWK ≈ 0.72 with referable-DR AUC ≈ 0.95 (CORN slightly lower). Ordinal (CORN) and standard (CE) losses perform comparably and are statistically indistinguishable on APTOS, although on IDRiD CrossEntropy is significantly better on mean absolute error; CORN’s practical advantage is robustness, reaching comparable performance without class-weight tuning and never collapsing a class. Grad-CAM is used to qualitatively illustrate model attention. These results indicate that correct class-balancing configuration matters more than the choice of loss function for ordinal DR grading.