糖尿病眼底病变综述概要记录
原文地址：Automated Detection and Diagnosis of Diabetic Retinopathy: A Comprehensive Survey
ABSTRACT
糖尿病视网膜病变（DR）是世界上导致视力下降的主要原因。在过去几年中，基于人工智能（AI）的方法已被用于检测和分级DR。早期检测可以进行适当的治疗，从而防止视力丧失。眼底和光学相干断层扫描（OCT）图像均用于视网膜成像。通过基于深度学习/机器学习的方法，可以从图像中提取特征并检测DR的存在。使用分类、分割和混合技术，可以实施多种策略来检测DR的存在并对其进行分级。本综述涵盖了五年来（2016-2021年）在公开文献中发表的有关DR人工智能方法的文献。此外，报告了可用DR数据集的全面列表。采用了PICO（P-患者、I-干预、C-对照、O-结果）和系统评价和荟萃分析（PRISMA）2009年搜索策略的首选报告项目。我们总结了114篇符合审查范围的已发表文章。此外，还列出了43个主要数据集。
**关键词：**糖尿病视网膜病变、人工智能、深度学习、机器学习、数据集、眼底图像、光学相干断层扫描和眼科学。
1. Introduction
糖尿病视网膜病变（DR）是世界范围内不可逆视力损害和失明的主要原因[1]。DR的病因是由于慢性高血糖水平导致视网膜毛细血管损伤。DR主要影响工作年龄人口，全球患病率较高，从2015年的260万到2030年的1.91亿[2]。早期发现很重要有两个主要原因，DR在早期阶段很难发现，因为没有视觉症状。疾病的进展可能导致失明。因此，早期诊断和定期筛查可以将视力丧失的风险降低到57.0%，并降低治疗成本[2]直接或通过眼底摄影或光学相干断层扫描等成像技术对视网膜眼底进行临床分级，有几种标准的DR分级系统，例如早期治疗糖尿病视网膜病变研究（ETDRS）分级系统[3]，它具有多个分级级别，将所有七个视网膜眼底视野（FOV）上的详细DR特征进行分离。尽管ETDRS[4]是金标准，但由于实施的复杂性和技术限制[5]，还使用了替代系统，如国际临床糖尿病视网膜病变（ICDR）[6]量表，该量表在临床和计算机辅助诊断（CAD）扩展设置中均被接受[7]。ICDR量表定义了5个严重程度级别，4个糖尿病性黄斑水肿（DME）级别，需要更少的FOV[6]。ICDR级别将在下面讨论，并在图1中说明。
1）**无明显视网膜病变：**无异常。
2）**轻度非增殖性糖尿病视网膜病变（NPDR）：**这是糖尿病视网膜病变的第一阶段，具体表现为视网膜血管中的微小肿胀区域，称为微动脉瘤（MA）[8]。视网膜神经中没有大量出血，如果在此阶段检测到DR，它可以通过适当的治疗帮助挽救患者的视力（图1A）
3）**中度NPDR：**如果不检查，轻度NPDR进展为中度阶段，即阻塞的视网膜血管出现血液泄漏。此外，在这个阶段可能存在硬渗出物（Ex）（图1B）。视网膜小静脉的扩张和收缩导致静脉串珠（VB），这在眼科是可见的[8]。
4）**严重NPDR：**在这个阶段，视网膜中有大量血管被阻塞，在所有4个视网膜象限中导致20多个视网膜内出血（IHE；图1C），或存在视网膜内微血管异常（IRMA），其可被视为至少一个象限中出现小而尖锐的边界红点的细血管隆起，和/或在超过2个象限中有明确的VB证据[8]。
5）**增殖性糖尿病视网膜病变（PDR）：**这是疾病的晚期阶段，在长时间不检查的情况下发生。视网膜中形成新血管，这种情况称为新生血管（NV）。这些血管通常很脆弱，因此有液体泄漏和纤维组织增生的风险[8]。在这个阶段会出现不同的功能性视觉问题，例如模糊、视野缩小，在某些情况下甚至完全失明（图D）。
初始阶段的精细病理学DR征象正常确定，瞳孔扩张（散瞳）后，通过裂隙灯生物显微镜和+90.0D透镜进行DR筛查，并通过直接/间接检眼镜进行检测[10]。这一过程非常耗时，需要训练有素、经验丰富的临床医生，诊断精度需要时间、经济成本和资源。即使所有这些都可用，仍然存在误诊的可能性[11]。这种对手动评估阅读的依赖使情况更具挑战性。2020年，全世界患有DR和威胁视力的DR的成年人人数估计分别为10312万和2854万。到2045年，这一数字预计将增加到1.605亿和4482万[12]。此外，在发展中国家，眼科医生[13,14]以及标准临床设施短缺。这一问题也存在于发达国家服务不足的地区。
计算机辅助诊断（CAD）技术的最新发展在现代眼科学中正变得越来越突出[15]，因为它们可以节省常规DR筛查的时间、成本和人力资源，并涉及较低的诊断错误因素[15]。CAD还可以有效地管理越来越多的DR患者[16]，并在早期诊断DR，从而减少对视力的威胁。这些技术因成像系统而异。本文综述了光学相干断层扫描（OCT）、OCT血管造影（OCTA）、超宽视野眼底（UWF）和标准450眼底摄影等常用的成像方法。Majumder等人[15]进行的研究报告了一种用于DR筛查的智能手机摄像头筛查实时程序。
这篇综述的主要目的是分析在过去6年中发表的114篇关于使用CAD技术检测DR的文章。通过使用机器学习（ML）和深度学习（DL）方案，这些技术在性能上取得了相当大的进步，这些方案采用了深度卷积神经网络（DCNNs）体系结构的最新发展，用于DR严重程度分级、进展分析、异常检测和语义分割。文献[17,18,19,20]概述了卷积神经网络在眼科的应用。
2. Methods
2.1. Literature search details
在这篇综述中，我们调查了5个可公开访问的数据库中的文献，并根据其深度、易访问性和受欢迎程度选择了这些数据库。这5个数据库是：
1）PubMed: Publications from MEDLINE (https://pubmed.ncbi.nlm.nih.gov/)
2）IEEE Xplore: IEEE conference & journals (https://ieeexplore.ieee.org/Xplore/home.jsp)
3）PUBLONS: Publications from Web of Science (https://publons.com/about/home/)
4）SPIE digital library: Conference & journals from SPIE (https://www.spiedigitallibrary.org/)
5）Google Scholar: Database containing conference and journal proceedings from multiple databases (https://scholar.google.co.in/).
谷歌学者（Google Scholar）被选中来填补搜索策略中的空白，方法是识别来自多个来源的文献，以及手动从其他四个数据库中选择可能遗漏的文章。这篇综述涵盖了5年的时间段（2016-2021），因此它是最新的，并且在这一时间段内，人工智能糖尿病视网膜病变检测和分级的进展显著增加（图2）。这个数字是使用PubMed结果生成的。
在撰写本综述时，PubMed数据库共列出了10635个搜索结果，其中仅使用了“糖尿病视网膜病变”一词。MEDLINE数据库可以说是生物医学研究中最大的数据库，是美国国立卫生研究院（National Institutes of Health）下属的国家医学图书馆（National Library of Medicine）的资源。
在给定的时间段和搜索条件下，对IEEE Xplore库和SPIE数字库的搜索分别报告了812和332个搜索结果。IEEE Xplore和SPIE图书馆仅包含这两个专业协会的出版物。其他数据库通过列出来自非传统来源（如打印前服务器）的论文进一步添加到该列表中。在图3中，我们使用所有来源的数据绘制了发表论文的数量与年份的函数关系。
然而，本综述的范围仅限于“使用眼底和OCT图像自动检测和分级糖尿病视网膜病变”，即使用人工智能，特别是深度学习和机器学习技术，在眼底和OCT图像中检测和分级糖尿病视网膜病变。因此，为了使搜索更易于管理，使用PICO（P-患者、I-干预、C-控制、O-结果）搜索策略使用了相关关键字的组合[21]。PICO搜索中使用的关键字是预先确定的。使用了（“糖尿病视网膜病变”和（“深度学习”或“机器学习”或“人工智能”）和（眼底或OCT）的组合，将PubMed中最初的10635个搜索结果减少到只有266个。在审议期间。在所有获得的数据库的结果中执行手动消除重复搜索结果的过程，总共产生了114篇论文，并在综合数据库中显示。
确定审查相关研究的搜索策略包括三个主要步骤：
1、使用预定义的一组关键字和逻辑运算符，在此时间范围内（2016-21）识别了一小部分论文。
2、使用手动搜索策略，排除了本次审查范围之外的论文。
3、删除重复的文章（即出现在多个数据库中的论文），以获得本综述中使用的一组独特的文章。本次评审遵循的搜索策略符合系统评审和荟萃分析首选报告项目（PRISMA）2009检查表[22]，详细的搜索和识别流程如图4所示。
2.2. Dataset search details
任何自动检测模型的主干，无论是基于ML、基于DL还是基于多模型，都是用于培训和验证的数据集。高质量的数据能够捕捉视网膜的特征，并进行正确的分级，对于培养良好的DR检测模型至关重要。在这篇综述中，我们创建并讨论了一个全面的数据集列表。此前发表的一篇论文[23]还列出了眼科图像数据集列表，其中包含33个可用于训练DR检测和分级模型的数据集。Khan等人的论文2021〔23〕突出了表1中列出的43个数据集中的33个。然而，一些流行和公开访问的数据库没有被Khan在AL 2021〔23〕中列出，例如（UOA DR〔24〕、纵向DR筛选数据〔25〕、FGADR〔26〕等），我们已识别出可供使用的附加数据集。
确定相关DR检测数据集的搜索策略如下：
1.手动搜索所有5个选定数据库（PubMed、PUBLONS等）的适当结果，以便收集有关DR检测和分级数据集名称的信息。
2.分析了与每个数据集相关的原始论文和网站，并创建了所有可用信息的系统化表格表示。
3.检查谷歌数据集搜索和不同论坛是否存在缺失的数据集条目，并对找到的所有原始数据集重复第2步。
4.表1给出了最终的综合数据集清单及其详细信息。
采用上述搜索策略，共识别出43个数据集。经进一步检查，共有30个数据集被确定为开放存取（OA），即无需任何许可或付款即可轻松访问。在数据集总数中，有6个数据集受到限制，但这些数据库可以在作者或机构的许可下访问，其余7个数据集是私有的，无法访问。由于图像的多样性（多民族和多民族），这些数据集可用于创建通用模型。
3. Results
3.1. Dataset search results
本节概述了使用数据集获得的搜索结果，以及眼科领域数据集的不同综述文章，如Khan等人2020[23]，以及从GitHub和其他在线论坛获得的不同线索。在本综述中，确定了43个数据集，本节系统介绍了这些数据集的总体概述。本文中评论的数据集不限于2016到2021，并且可以在此之前发布。数据集列表及其特征见下表1。根据访问数据集所需的限制和其他形式，该列表分为三类，分别为：
1)公共开放存取（OA）数据集，其中一些具有高质量DR分级，
2)高质量DR数据集，可根据要求访问，即可通过填写必要的协议和表格进行访问，以便公平使用，它们是（OA）数据库的一个子类型，在表中称为按要求访问（AUR）
3)来自不同机构的私人数据集如果不能公开访问或需要明确许可才能访问，则称为非开放访问（NOA）。
3.2. Diabetic retinopathy classification
本节讨论用于DR检测的分类方法。该分类可用于检测DR[66]、参考DR（RDR）[67,68]、视力威胁DR（vtDR）[68]或使用ICDR系统分析DR的11个增殖水平。一些研究还考虑糖尿病性黄斑水肿（DME）[67，69]。最近的ML和DL方法在自动DR诊断中产生了有希望的结果。
因此，使用多个性能指标，如准确度（ACC）、灵敏度（SE）或召回率、特异性（SP）或精密度、曲线下面积（AUC）、F1分数和Kappa分数来评估分类性能。表2、3简要概述了使用眼底图像进行DR分类的文章和使用新型预处理技术进行分类的文章。表4列出了最近使用OCT和OCTA图像的DR分类研究。在下面的小节中，我们提供了ML和DL方面的详细信息，并根据量化指标评估了先前研究的性能。
3.2.1. Machine learning approaches
在这篇综述中，93项基于分类的研究中有9项采用了机器学习方法，1篇文章使用un-ML方法对DR进行检测和分级。因此，在本节中，我们将对所选主要研究中使用的各种基于ML的特征提取和决策进行评估，以构建DR检测模型。一般来说，在这些研究中使用了六种不同的机器学习算法，例如预处理中的特征提取工具。它们是：基于主成分分析（PCA）[70,71]、线性判别分析（LDA）的特征选择[71]、空间不变特征变换（SIFT）[71]、支持向量机（SVM）[16,71,72,73]、KNN[72]和随机森林（RF）[74]。这些方法与DL网络相结合，改善了性能和训练过程。除了广泛使用的ML方法外，一些研究（如[75]）提出了一个精度超过80%的纯ML模型，包括用于图像降维的分布式随机邻居嵌入（t-SNE）和ML-Bagging集成分类器（ML-BEC），以较低的计算时间使用特征装袋技术提高分类性能。Ali等人2020年[55]在分类层面上重点研究了五种基本的ML模型，分别是顺序最小优化（SMO）、逻辑（Lg）、多层感知器（MLP）、逻辑模型树（LMT）和简单逻辑（SLg）。本研究提出了一种新的预处理方法，利用基于聚类的K-均值方法分割感兴趣的病变区域（ROI），并从分割的ROI中提取直方图、小波、灰度共生和游程矩阵（GLCM和GLRLM）的特征。在五个ML模型中，该方法的平均准确率为98.83%，优于以前的模型。然而，像SLg这样的ML型号性能很好，使用Intel Core i3 1.9千兆赫兹（GHz）CPU、64位Windows 10操作系统和8千兆字节（GB）内存时，所需的分类时间为0.38。这种处理时间比以前的研究要长。我们也可以使用最大似然法检测OCT，使用12 OCTA检测DR。最近，刘等人的2021〔76〕部署了Logistic回归（LR）四个模型，Logistic回归与弹性网络惩罚（LR-EN）、支持向量机（SVM）和梯度提升树XGBoost（246个八分之一小波特征）进行了正则化，分别获得了ACC、SE和SP分别为82%、71%和77%。尽管结果不充分，但这项研究有可能通过模型优化和微调超参数获得更高的分数。这些研究表明，如果使用少量的特征类型和简单的ML模型，总体性能较低。降维是ML模型的一种应用，可以添加到CAD系统的决策层[77,78]。在一种支持向量机中，它用于对从最先进的DNN中获得的特征进行分类，这些DNN使用PCA进行了优化[78]。这为预处理图像提供了85.7%的准确率。与AlexNet、VGG、ResNet和Inception-v3等方法相比，作者报告的ACC为99.5%。此外，他们还发现，这种技术更适用于低得多的计算成本。
3.2.2. Deep learning approaches
本节概述了已使用的深度学习算法。根据使用的成像系统，图像分辨率、噪声级、对比度以及数据集的大小，这些方法可能会有所不同。一些研究提出了一个定制的网络，如Gulshan等人2016年[67]、Gargeya等人2017年[66]、Rajalakshmi等人2018年[79]、Riaz等人2020年[80]所做的工作。与VGG、ResNet、Inception和DenseNet等最先进的网络相比，这些网络的性能结果更低，但层次越少，它们就越通用，适合使用小数据集进行训练，计算效率也越高。Quellec等人2017年[81]在KAGGLE竞赛中对表现最佳的DCNN应用了L2正则化，以实现名为o-o的DR检测。另一个例子是Sayres等人2019年[82]提出的方案，该方案在从EyePACS数据库获得的2000幅图像的一小部分中，显示ACC、SE和SP的正则化率分别为88.4%、91.5%和94.8%。然而，该网络的性能低于Mansour等人2018[71]的结果，后者使用了EyePACS图像的较大子集（35126张图像）。Mansour等人2018年[71]还在提取的LDA和PCA特征上部署了更复杂的体系结构，如AlexNet，其产生的结果比Sayres等人2019年[82]的结果要好，ACC、SE和SP分别为97.93%、100%和93%。这种DCNN应该用于大型数据集，因为训练中使用的大量图像可以减少错误。在深层架构中，如果应用于少量观察，可能会导致过度拟合，测试数据的性能不如训练数据的预期。另一方面，网络的深度并不总是能保证更高的性能，这意味着它们可能会面临诸如消失或爆炸梯度等问题，这些问题必须通过将网络重新设计为更简单的架构来解决。此外，深层网络提取了几个低层和高层特征。随着这些图像特征变得更加复杂，解释变得更加困难。有时，这些高级属性没有临床意义。例如，高级属性可能指的是属于特定类别的所有图像中存在的偏差，例如光强度和类似的血管模式，这些图像不被视为DR的标志，但DCNN将其视为关键特征。因此，这一事实使得输出预测是错误的。
在基于DL的分类[83]的范围内，在预训练的基础模型ResNet50上设计了一个名为Trilogy of Skip connection Deep Networks（Tri SDN）的DL模型，该模型应用了Skip connection Block，使调谐速度更快，分别达到90.6%和82.1%的ACC和SP，与未使用的跳过连接块相比，该值远远高于83.3%和64.1%的值。
还有其他一些研究并不侧重于提出新的网络架构，而是增强预处理输出。Pao et al 2020[84]所做的研究提出了双通道定制CNN，其中使用图像增强技术（称为反锐化掩模）增强图像，并将熵图像用作具有4个卷积层的CNN的输入，与ACC相比，结果分别为87.83%、77.81%、93.88%，这些结果均高于未经预处理的分析结果（分别为81.80%、68.36%、89.87%）。
Shankar et al 2020[85]提出了另一种预处理方法，使用基于直方图的分割来提取眼底图像中包含病变的区域。作为分类步骤，本文使用了协同DL（SDL）模型，结果表明，提出的SDL模型在ACC、SE、SP方面比使用Mesidor 1的流行DCNN提供了更好的结果。
此外，分类不限于DR检测，DCNNs可用于检测DR相关病变的存在，如Wang等人2020年报告的12个病变：MA, IHE, superficial retinal hemorrhages (SRH), Ex , CWS, venous abnormalities (VAN), IRMA, NV at the disc (NVD), NV elsewhere (NVE), pre-retinal FIP, VPHE, and tractional retinal detachment (TRD) ，平均精确度和AUC分别为0.67和0.95，但VAN等特征的个体检测精确度较低。这项研究为基于病变的DR检测提供了基本步骤，与充当黑匣子的DCNN相比，DCNN更易于解释[86,87,88]。 （可解释性分析）
有一些基于反向传播的可解释方法可以生成影响DR分类的病变热图，例如Keel等人2019[89]所做的研究，该研究强调了DR诊断图像中的Ex、HE和血管异常。这些方法提供的一般解释可能不足以提供临床可靠的结果有限。表2、表3和表4简要说明了以前在DR深度分类范围内的研究。
注：表二中是全部文章对比介绍具体见文章
最新研究中涉及到的预处理和处理方法
基于OCT and OCTA的研究
3.3. Diabetic retinopathy lesion segmentation**
最先进的DR诊断机[66,67151]在不考虑病变信息的情况下识别可参考的DR识别。因此，他们的预测缺乏临床解释，尽管其准确性很高。这种黑盒性质是使DCNNs不适合临床应用的主要问题[86 152 153]，并使可解释人工智能（XAI）的主题具有重大意义[153]。近年来，基于梯度的XAI等可视化技术被广泛用于网络评估。然而，这些带有通用热图的方法只突出了主要病变20，因此不适合检测多个病变和严重程度的DR。因此，一些研究侧重于基于病变的DR检测。总的来说，我们发现了20篇对病变进行分割的论文，例如MA（10篇文章）、Ex（9篇文章）和IHE、VHE、PHE、IRMA、NV、CWS。在接下来的部分中，我们将讨论一般的分段方法。根据每一篇文章的成像类型，可以在表5和表6中查看每一篇文章的实现细节。
3.3.1. Machine learning and un-machine learning approaches
一般来说，与DCNN相比，使用处理速度快、计算成本低且决策可解释的ML方法更受欢迎。然而，诸如MA等细微病变的自动检测并没有达到可接受的值。在这篇综述中，我们收集了2个纯ML模型和6个un-ML方法。正如Ali Shah 2016[154]的一项研究所报告的，该研究使用颜色、黑森和curvelet特征提取检测MA，其SE为48.2%。Huang 2018[155]专注于通过使用极限学习机（ELM）对NV进行本地化。为此，本研究采用了标准差、Gabor、微分不变量和各向异性滤波器，最终分类器采用ELM。该网络的性能与支持向量机一样好，计算时间较低（6111秒vs 6877秒），PC运行的是带有奔腾双核E5500 CPU和4 GB内存的Microsoft Windows 7操作系统。对于分割任务，预处理步骤有一个基本规则，它直接影响输出。预处理技术因病变类型和数据集质量而异。[Orlando 2018]应用了DCNN和基于照明校正、CLAHE对比度增强和颜色均衡的手动设计功能的组合。然后将该高维特征向量输入RF分类器以检测病变，并获得AUC分数0.93，与一些DCNN模型相当[81136140]。
一些研究使用un-ML方法检测渗出物，如Kaur等人2018年[156]提出的方法，该方法提出了一条管道，包括去除血管和视盘，并使用动态阈值法检测CWS和Ex。在本研究之前，Imani等人2016[157]也采用了同样的方法，重点是使用较小数据集的Ex。在他们的研究中，他们采用了额外的形态学处理和平滑边缘去除，以减少对CWS的检测。本文报告的SE和SP的检测率分别为89.1%和99.9%，与Kaur的结果几乎相似，SE和SP的检测率分别为94.8%和99.8%。表5和表6进一步描述了最近使用ML方法进行病变分割的研究。
3.3.2. Deep learning approaches
最近的研究表明，DCNNs可以在DR病变的自动分割中产生有希望的结果。DR病变分割主要集中在眼底成像上。然而，一些研究结合了眼底和OCT。Holmberg 2020[158]提出了一种视网膜层提取管道，用Unet测量视网膜厚度。此外，郭玉坤等人2018年[159]将DCNNs应用于OCTA图像的无血管区分割，轻度至中度DR的准确率为87.0%，重度DR的准确率为76.0%。
其他研究主要集中在应用于眼底图像的DCNN上，该图像可以清晰地显示视网膜表面的现有病变。Lam等人2018[160]等其他研究部署了最先进的DCNNS，使用AlexNet、ResNet、GoogleNet、VGG16和Inception v3检测图像patch中是否存在DR病变，在从EyePACS获得的243张眼底图像子集上实现了98.0%的准确率。Wang等人2021[26]还将Inception v3作为特征图，并将FCN 32s作为分割部分。他们报告的硒值分别为60.7%、49.5%、28.3%、36.3%、57.3%、8.7%、79.8%和0.164，高于PHE、Ex、VHE、NV、CWS、FIP、IHE和MA。Quellec等人2017年[81]使用一种名为o-o solution的预定义DCNN架构，重点研究了四种病变CWS、Ex、HE和MA，并报告了分别比CWS、Ex、HE和MA的SE值62.4%、52.2%、44.9%和31.6%，这表明CWS和Ex的性能略好于Wang等人2021年[139]。与Wang等人2021年[139]相比，马的情况要好得多。另一方面，Wang等人在HE检测方面表现更好。有关这些文章和其他文章的更多详细信息，请参见表5和表6。
4. Conclusion
最近对DR检测的研究主要集中在称为CAD系统的自动化方法上。在DR的CAD系统范围内，有两种主要的方法，称为DR严重程度的一级分类和分期，以及与DR相关的病变的二级分割，如MA、HE、Ex、CWS。
DR数据库分为公共数据库（43个数据库中的36个）和私有数据库（43个数据库中的7个）。这些数据库包含眼底和OCT视网膜图像，在这两种成像模式中，86.0%的已发表研究使用了眼底照片。网上提供了几个大型眼底数据集。这些图像可能是用影响图像质量的不同系统拍摄的。此外，一些图像方面的DR标签可能是错误的。提供病变注释的图像数据库仅占需要大量资源进行像素注释的数据库的一小部分。因此，其中一些数据库包含的图像比按图像标记的数据库少。此外，病变注释要求注释者内部一致性和高注释精度。这些因素使数据集对错误敏感，其质量评估可能变得复杂。
DR分类需要经过临床医生验证的标准分级系统。ETDRS是DR渐进分级的黄金标准分级系统，但由于这种分级类型需要精细的细节评估和访问所有7个FOV眼底图像，这些问题使得ETDRS的使用受到限制。ICDR的精确度较低，适用于1FOV图像，以检测DR的严重程度。
DR图像的分类和分级可分为两种主要方法，即基于ML的分类和基于DL的分类。基于ML的DR检测比使用ICDR量表进行分级具有更好的性能，ICDR量表需要提取与每个DR级别相关的更高级别特征[55,70]。评估结果还证明，当使用大型数据库时，DCNN体系结构可以获得更高的性能分数[71]。在一方的性能与另一方的架构复杂性、处理时间以及对网络决策和提取的特征缺乏可解释性之间存在权衡。因此，最近的一些工作提出了半DCNN模型，该模型包含作为分类器或特征提取器的基于DL和基于ML的模型[70,71]。正则化技术的使用是降低DCNN模型复杂性的另一种解决方案[81]。
DR中CAD相关研究的第二种方法是像素级病变分割或图像级病变检测。DR的主要病变为MA、Ex、HE、CWS。这些损伤具有不同的检测难度，直接影响拟建管道的性能。在这些病变中，MA的注释更具挑战性[26167]。由于这种病变很难被发现，并且是早期DR的主要标志，24一些研究集中于使用DCNNs对这种病变进行像素级分割，并取得了足够高的分数[166]。尽管最近一些基于DCNN的工作在标准度量方面表现出了很高的性能，但缺乏可解释性可能不足以适用于实际的临床应用。这种可解释性将可解释AI或XAI的概念引入到画面中。可解释性研究旨在展示对模型决策影响最大的特征。Singh等人[170]回顾了目前使用的可解释性方法。此外，还需要一个大型眼底数据库，对所有相关的DR病变进行高精度注释，以帮助设计更坚固、更高效的管道。
