網膜症のクラス間画像特徴の差が小さく分類の閾値が比較的曖昧であるため，自動分類アルゴリズムは認識および分類の精度が低い問題を抱えています。効率的チャネル注意機構（Efficient Channel Attention、ECA）特徴を融合したConvNeXt網膜症自動分類モデルを提案しました。データセットにおけるデータ不足の問題に対して，左右の水平反転変換によるデータ拡充を行い，関連データセットを導入してデータ分布のバランスをとりました。眼底画像に発生する画像のぼやけや照明の不均一などの問題に対して，Graham法を用いて画像を前処理し，病変特徴を強調しました。医師の網膜症診断を支援するために注意機構を融合したConvNeXtネットワークを提案し，ECA機構を導入し，高性能かつパラメータ数の少ないE-Blockモジュールを設計しました。本モジュールは学習中にチャネル間の相互作用情報を効果的に捉えつつ，次元削減を回避します。転移学習手法によりネットワークの全層パラメータを学習し，ConvNeXtネットワークの過剰な学習能力による過学習問題を防ぐためにドロップアウトを導入しました。実験結果では，提案モデルの感度は95.20％，特異度は98.80％，精度は95.21％であることが示されました。一般的に用いられるネットワークと比較して，本手法は網膜症自動分類の全ての性能指標において向上を示しました。

網膜症認識と分類; 転移学習; ConvNeXtネットワーク; 効率的チャネル注意機構; E-Block