瞳识糖变——轻量化AI筛诊系统

据2024年统计数据显示，我国的糖尿病患者人数位居全球第一，全球患病人数已达5.4亿，患病人数占全球近四分之一。过去十年，糖尿病患病人数持续增多，覆盖各个年龄段病人，此外，糖尿病群体日益年轻化，青少年的糖尿病发病率逐年攀升，患病率已经高达50%。糖尿病视网膜病变（Diabetic Retinopathy, DR）作为糖尿病常见的微血管并发症之一，是一种糖尿病患者中常见的眼部疾病。

传统的糖尿病视网膜病变筛选主要依靠医生的经验和专业知识判断，存在诊断准确性不足、效率低、反馈不及时等问题，尤其在基层和偏远地区，由于缺乏用于诊断和治疗糖尿病的医疗资源，难以满足治疗糖尿病并发症早期筛查与管理的实际需求。随着医学影像和深度学习技术的进步，基于计算机视觉和深度学习的自动化识别系统可以有效地开展早期糖尿病视网膜病变病情诊断，有效避免甚至减缓病情的发展。

本项目设计开发针对糖尿病视网膜病变图像的轻量级医学图像识别分类系统，为糖尿病患者和医生提供糖尿病病情防治和干预提供有效的辅助诊断工具与决策支持。

本项目设计开发一个基于Python的糖尿病视网膜图像分类系统，采用前后端分离架构，前端以微信小程序形式提供友好的用户交互界面，后端基于轻量级ConvNeXt模型优化和Web技术实现图像分类与管理轻量级模型能够实现在资源有限的条件下糖尿病视网膜病变的快速准确的诊断，辅助早期干预，监控病情进展，有助于糖尿病患者视网膜病变的日常监护和知识普及。

1.后端模块

后端模块作为系统核心，主要实现图像数据的预处理、特征提取及糖尿病视网膜病变图像的分类模型训练，通过API接口供前端调用。

（1）图像数据预处理

从Kaggle等公开数据集平台获取标注好的糖尿病视网膜图像数据集，重点关注数据集的规模、图像质量及标签分类（正常、轻度、中度、重度、增值）。②通过实施去噪、平滑、归一化等操作，提升图像质量，减少噪声干扰，为后续特征提取与糖尿病视网膜图片分类提供清晰、一致的图像输入。①采用高斯滤波或中值滤波算法对原始视网膜图像进行去噪与平滑处理，减少图像采集过程中引入的噪声影响；②通过直方图均衡化或CLAHE（Contrast Limited Adaptive Histogram Equalization限制对比度自适应直方图均衡化）技术增强图像对比度，使病变区域（如微动脉瘤、出血点）的特征更明显；③将图像统一缩放至模型输入尺寸（如224x224像素）进行像素值归一化，将其转换到[0,1]或[-1,1]的范围内，以加速模型训练收敛并提升泛化能力。

（2）轻量级模型设计与优化

①模型选择

采用ConvNeXt等轻量级卷积神经网络架构，通过减少参数数量与计算复杂度，提升模型在移动端或资源受限环境下的运行效率。采用深度可分离卷积与倒置瓶颈结构来大幅减少参数量，在保证高精度的前提下有效控制计算开销。

a.高分辨率特征的浅层提取，侧重于边缘、颜色等基础信息

b.通过增大感受野，捕获由微动脉瘤、出血点到硬性渗出物等不同尺度的病变特征；

c.对高级语义特征进行压缩和抽象，为分类决策提供依据。

②特征提取与可视化

设计特征提取层，捕捉图像中的关键病变特征。同时，通过特征可视化功能，理解模型学习过程。网络利用ConvNeXt模块中的深度卷积与点卷积组合的方式高效分离空间与通道维度的特征学习。引入注意力机制对特征通道进行加权，使模型更聚焦于病变相关的显著区域。

通过Grad-CAM类激活映射技术实现以热力图形式实现数据可视化，直观展示模型在分类决策时所依据的图像区域，有助于验证模型是否能够正确地学习糖尿病视网膜病变的医学特征，为医生提供可解释的诊断参考。

③分类输出模块设计

网络末端在经过前述卷积层和特征提取层后，将提取的高级语义特征图通过一个全局平均池化层将二维特征图转换为一维特征向量，减少全连接层的参数数量并增强模型的抗干扰性。针对糖尿病视网膜病变的五分类任务（正常、轻度、中度、重度、增值）将输出转换为对应各个类别的概率分布。

④模型训练与优化

为模型训练过程中通过交叉验证等技术防止过拟合。对比不同模型指标（准确率、召回率、F1分数等），采用模型剪枝、量化等技术进一步压缩模型大小，提升分类速度，进一步提升轻量级模型性能。

（3）API接口设计

开发RESTful API接口，提供图像上传、分类结果返回等功能，确保前端小程序能够无缝调用后端服务，实现图像的实时分类。

2.前端模块

前端面向用户，以小程序形式提供用户交互；管理端主要面向管理员和医生用户实现数据管理与系统配置。

（1）小程序展示页面

①登录注册：用户通过小程序注册账号，登录后，用户可访问系统首页及相应功能。

②图像分类：用户上传糖尿病视网膜病变图像，小程序调用后端API进行分类，返回病情分类及建议，实现日常监护功能。

③首页浏览：展示糖尿病相关知识文章、视频，进行糖尿病健康知识普及，提升用户健康意识。

（2）后端管理

①病情追踪（医生用户）：医生用户可查看患者历史图像记录，分析病情变化趋势，为患者提供个性化治疗建议。

②用户管理：管理员可查看、编辑用户信息，调整用户权限，确保系统安全稳定运行。

③数据可视化与监控：实现系统运行状态监控、分类结果统计等功能，为管理员提供数据支持，优化系统性能。

④文章管理：管理员通过Web后台管理首页文章数据，包括文章发布、编辑、删除等操作，确保内容时效性与准确性。

本项目通过轻量级模型设计与前后端分离架构，实现了糖尿病视网膜图像的高效分类与日常监护功能，注重糖尿病健康知识普及与用户体验，为糖尿病管理提供了有效的解决方案。

1.国外研究现状

糖尿病视网膜医学图像识别分类作为糖尿病早期筛查与日常管理的关键技术，国外开展糖尿病视网膜病变图像的自动识别研究起步较早，主要集中在基础理论研究、模型、算法及大规模临床验证方面。美国国家健康与护理研究所利用深度学习，采用卷积神经网络开发DR检测系统，在检测糖尿病视网膜病变方面准确性与经验丰富的眼科专家相当。谷歌研究团队开发了 Inception 系列模型，通过引入不同尺度的卷积核，能够更有效地提取医学图像中不同大小、不同层次的特征，提高对病变病情的识别能力；澳大利亚皇家墨尔本理工大学教授康德·库马尔团队开发了基于人工智能的图像处理算法，通过分析普通验光设备生成的视网膜图像识别 糖尿病视网膜病变，准确率高达 98 %，该算法在澳大利亚及部分亚洲国家的临床实践中应用，能够快速、准确地识别出糖尿病视网膜病变关键特征，为早期诊断提供有力支持，有助于患者及时接受治疗，降低失明风险。Peddapullaiahgari Hariobulesu等人提出DiaRetULS-NetEnsembled模型，可自动检测并分类糖尿病视网膜病变严重程度；G Latha等人结合VGG16与混合中心卷积神经网络（HCCNN），在计算效率与分类性能间实现平衡，能将视网膜图像分为正常、糖尿病视网膜病变、青光眼和高血压视网膜病变四类；Wei Xiang Lim、陈远提出基于高斯滤波器（SLIC-G）的混合图像处理方法，通过超像素分割与高斯平滑增强预训练网络性能；Jayanta Kiran Shimpi、Poonkuntran Shanmugam将自适应提升技术与VGG16预训练模型结合，显著提升分类准确性与曲线下面积（AUC）分数。这些方法在病变分类精度上取得突破，但多集中于算法性能优化，未构建集前端展示与后端分类于一体的系统，且模型参数量较大，难以满足日常监护场景下的轻量化应用需求。

2.国内研究现状

国内相继开展了医学图像识别分类的一系列研究。天津理工大学科研团队提出DR智能分级模型，利用胶囊网络替换卷积神经网络池化层提取深层细节特征，结合图神经网络捕获糖尿病视网膜病变级别间关系，通过自适应权重融合输出分级结果；电子科技大学王子林提出3D注意力机制，在DDR、Eye PACS、Messidor三个公开数据集上测试，准确率（ACC）分别达84.1%、86.0%、92.2%，二次加权卡帕系数（QWK）分别达85.1%、83.1%、94.2%；山东中医药大学科研团队基于VOLO网络改进，在Outlook attention中添加深度卷积模块提升注意力表达能力，嵌入归一化注意力模块突出显著特征，优化DR严重程度分类效果；西安电子科技大学张烁先后提出CBAE、RPAE、CRPAE算法，通过加入CBAM注意力机制、引入区域建议网络、采用CIOU_NMS方法筛选定位区域，逐步提升模型准确率、泛化能力与可解释性。青岛科技大学科研团队基于深度学习的全卷积网络（‌Fully Convolutional Networks, FCN）医学图像分割技术，针对脑肿瘤MR全称图像进行自动检测和分类，提出了2D CNN、3D超轻量级幽灵空间金字塔CNN、Meta Former的轻量级模型，提高了肝脏疾病诊断的准确性和效率。上海人工智能实验室利用深度学习识别眼部疾病的模型，仅通过一张眼部正面照片，实现了近视、斜视、上睑下垂等多种儿童常见眼部疾病筛查。上海交通大学附属第六人民医院贾伟平教授课题组基于全球最大的眼底图像数据库，构建了糖尿病视网膜病变辅助智能诊断系统DeepDR，该系统通过多个交叉迁移强化的多任务学习卷积神经网络，实现了图像质量分析与实时反馈、病变检测和分级诊断三大功能，能够通过对眼底图像的分析，识别微血管瘤、渗出、新生血管、黄斑水肿等病变，完成了对糖尿病视网膜病变从轻度到增殖期病变的全病程自动诊断。香港大学深圳医院团队采用无散瞳眼底照相结合AI读片筛查糖尿病视网膜病变，灵敏度达到93.87%，特异度达到96.95%，显示出在预测糖尿病和其他慢性并发症方面的潜力。但当前国内研究算法多侧重于后端分类性能的优化，缺乏针对日常监护与知识普及方面前端展示功能的开发；部分模型训练成本高、部署难度大，难以适配基层医疗和个人日常使用场景。尽管国内外在糖尿病视网膜医学图像识别分类领域已经实现了诸多突破，但仍存在明显的研究空白。现有成果多集中于临床研究和后端算法的优化，还没有形成集前端展示（如用户交互、知识科普模块）与后端精准分类于一体的完整系统，无法满足大众日常监护与疾病知识普及的实际需求；此外，算法在轻量化部署与实时响应能力方面仍有不足，难以在手机、平板等常见终端设备上高效运行，限制了该技术在日常场景中的进一步推广应用。

1.创新点

（1）模式创新：采用“边缘轻量化（小程序端）+集中化管理（Web后台）”方式实现了糖尿病视网膜病变的“即时拍、即时诊”。

（2）方法创新：模型设计重点关注模型的轻量化与可解释性。

2.项目特色

（1）系统轻量级设计有效利用资源：该系统用户前端只需通过简单的图片上传操作就利用后端训练模型对糖尿病视网膜图片进行有效分类，有效降低了对硬件与网络的要求。

（2）可靠的结果可信性与临床实用性：引入可解释性方法，通过可视化方式展示分析结果。

1.技术路线

本项目的技术路线遵循软件工程与机器学习项目开发的标准流程，以“数据驱动、模型为核心、系统为载体”为指导思想，分为五个有序阶段推进，其技术路线图如下所示：

2.拟解决的问题

①为了解决现有研究缺乏集疾病筛查、日常监护与知识普及于一体的完整前端应用问题，通过微信小程序和后端管理系统，将机器学习模型应用于基层与家庭场景下的糖尿病视网膜图片分类和实际需求。

②为了解决高精度深度学习模型在部署时面临的计算资源瓶颈问题，拟通过采用优化ConvNeXt等轻量级网络架构，结合模型剪枝等技术，在保证分类准确性的同时降低模型复杂度与计算开销，保证在低配置终端的稳定运行。

3.预期成果

①开发基于Python的糖尿病视网膜医学图像识别分类系统，实现糖尿病视网膜医学图像识别、病情追踪、糖尿病视网膜科普文章管理等功能。

②撰写结题报告。

（1）2025年10月-2025年12月，明确项目组成员分工与职责。收集并整理糖尿病视网膜病变识别相关文献，完成系统需求分析报告。通过从Kaggle等公开平台获取高质量的标注图像数据集。完成Python开发环境、Django后端框架、微信小程序开发环境及必要第三方库的安装与配置。

（2）2026年1月-2026年3月，通过，包括去噪、对比度增强、图像归一化等进行数据集预处理操作，构建基于ConvNeXt-Tiny的轻量级模型原型，完成初步训练与特征提取。利用Grad-CAM等技术实现特征可视化，初步分析模型对病变区域的关注度。

（3）2026年4月-2026年6月，进行模型训练，采用交叉验证、早停法等策略优化超参数。运用模型剪枝、量化等技术对训练好的模型进行压缩，以提升推理速度、降低资源消耗。通过后端RESTful API核心接口，实现图像上传与分类结果返回功能。

（4）2026年7月-2026年9月，完成微信小程序前端页面开发，集成后端API，实现图像识别、知识科普等核心功能。完成后端Web管理平台的开发，实现用户管理、数据统计、文章管理等运维功能。

（5）2026年10月，根据系统测试反馈，优化系统。整理并撰写结题报告，准备项目验收与成果汇报。