سابقهوهدف: رتینوپاتی دیابتی به عنوان یک بیماری ریزعروقی شایع در میان افراد مبتلا به دیابت شناخته میشود و یکی از علل اصلی نابینایی در سطح جهان است. این بیماری منجر به تغییرهای قابل مشاهدهای در شبکیه چشم میشود. تشخیص به موقع این بیماری در مراحل ابتدایی میتواند احتمال بهبودی را افزایش دهد. پیش از این نشان داده شده که استفاده از هوش مصنوعی در تشخیص بیماریها کمک میکند، بنابراین اهمیت استفاده از فناوری هوش مصنوعی عمیق برای تشخیص آن بسیار نمایان است. هدف این تحقیق، بررسی دقت و اهمیت هوش مصنوعی در تعیین شدت بیماری رتینوپاتی دیابتی است. روشکار: در این پژوهش، برای آموزش شبکههای عصبی کانولوشن از دادههای موجود در اینترنت شامل 13673 تصویر مرتبط با رتینوپاتی دیابتی که بر اساس شدت بیماری و کیفیت دادهها به شش دسته تقسیمبندی شدهاند، استفاده شده است. این دادهها از 9598 بیمار توسط تاولی و همکاران در سال 2019 جمعآوری شده که تحت نظر هفت پزشک قرار داشتهاند. تصاویر ثبتشده با استفاده از اسیلوسکوپ فلورسنت غالباً دارای نویز و کنتراست پایین هستند که سبب دشواری در تشخیص دقیق ناهنجاریها توسط الگوریتمهای هوش مصنوعی میشود. بنابراین، در این تحقیق از یک روش تقویت کنتراست تصویر برای ارتقای کیفیت تصاویر و تسهیل تشخیص تغییرهای شبکیه بهره گرفته شدهاست. همچنین برای یافتن بهترین پارامترهای مربوط به مدل هوشمصنوعی، از الگوریتم فراابتکاری ارشمیدس استفاده شده است. معمولاً، برای تشخیص شدت رتینوپاتی دیابتی، بیماریها را به دو یا پنج دسته تقسیم میکنند، اما ما تصمیم گرفتیم که بر اساس شدت بیماری و کیفیت دادهها، آن را به شش دسته طبقهبندی کنیم. یافتهها: استفاده از تساوی هیستوگرام تطبیقی محدود کنتراست و بهکارگیری الگوریتم ارشمیدس با تعداد جمعیت اولیه 20 عدد و تعداد تکرار 50 توانست مقادیر بهینه پارامترها را برای مدل هوش مصنوعی بهدست آورد و در نتیجه دقت تشخیص بیماری را بهبود دهد. با اجرای مدل پیشنهادی موفق به دستیابی به دقت 79 درصد و صحت 82 درصد در شش کلاس شدیم. نتیجهگیری: نتایج بهدست آمده حاکی از آن است که استخراج صحیح ضایعههای چشمی از دادههای پزشکی و انتخاب پارامترهای مناسب برای مدل شبکه عصبی کانولوشنی با استفاده از الگوریتمهای متاهیورستیک، امکان دستیابی به نتایج بهتر را فراهم کرده است. به نظر میرسد مدل پیشنهادی میتواند جایگزین مناسبی برای روشهای مشابه با الگوریتم شبکه عصبی کانولوشنی باشد.
Background and Aim:Diabetic retinopathy (DR) is a common microvascular complication of diabetes and a leading cause of blindness worldwide, resulting in visible structural changes in the retina. Early-stage detection significantly improves the chances of treatment and vision preservation. Recent advances have highlighted the role of artificial intelligence (AI), particularly deep learning, in the diagnosis of DR. This study aimed to evaluate the effectiveness and accuracy of AI-based methods in determining the severity of diabetic retinopathy. Methods:A publicly available dataset containing 13,673 retinal images from 9,598 patients—originally compiled by Taveli et al. in 2019 under the supervision of seven physicians—was used to train convolutional neural networks (CNNs). The images, categorized into six classes based on disease severity and image quality, were often characterized by noise and low contrast, especially those captured using a fluorescent oscilloscope. To address this, we applied a contrast enhancement technique using constrained adaptive histogram equalization. To further improve model performance, the Archimedes metaheuristic optimization algorithm was employed to fine-tune CNN parameters. The algorithm was run with an initial population of 20 and 50 iterations. Results:By combining image preprocessing with parameter optimization via the Archimedes algorithm, the proposed CNN model achieved an accuracy of 79% and a precision of 82% in classifying images into six severity categories. The optimized preprocessing and parameter tuning contributed significantly to enhancing the model’s performance. Conclusion:This study demonstrates that accurate feature extraction from retinal images, coupled with intelligent parameter optimization using metaheuristic algorithms, can significantly improve the performance of AI-based DR diagnosis systems. The proposed model presents a promising alternative to existing CNN-based methods for classifying the severity of diabetic retinopathy.