대량의 안저 이미지 수집 및 라벨링이 어려우며 경험이 풍부한 안과 의사의 지역적 분포가 불균형하여 안저 질환 환자의 검사 정확도가 낮고 검사 시간이 오래 걸리는 문제를 해결하기 위해, 본 논문에서는 전이 학습 기반의 이미지 분류 방법을 제안한다: 먼저 EfficientNet-B0와 EfficientNet-B7 모델을 수정하고 파라미터를 미세 조정한 후, 미세 조정된 모델을 안저 이미지의 특징 추출기로 사용하여 특징을 추출하고, 추출된 특징을 융합한 뒤 DNN 분류기를 사용해 최종 분류를 수행한다. 또한 가중치가 적용된 그래디언트 클래스 활성화 맵 시각화를 사용해 모델이 이상 진단을 내리는 이유를 설명한다. 제안된 방법은 내부 데이터에서 10겹 교차 검증을 통해 평균 정확도, 민감도 및 AUC가 각각 95.74%, 96.46%, 0.987이며, 공개 데이터셋 JSIEC에서는 97.04% 정확도와 97.14% 민감도를 기록했다. 결과는 본 방법이 대규모 안저 이상 선별에 활용되어 의사들의 효율적인 진단을 도울 수 있음을 보여준다.

안저 이미지;심층 신경망 분류기;EfficientNet 미세 조정;특징 추출;특징 융합;시각적 설명