| Title: |
The Use of Explainable Deep Learning Models for Diabetic Retinopathy Management: From Screening to Severity Grading. |
| Authors: |
Majyambere, Silas; Lindgren, Tony; Twizere, Celestin; Gisagara, Egide |
| Source: |
Journal of Health Informatics in Developing Countries; 2025, Vol. 19 Issue 2, p1-33, 33p |
| Subject Terms: |
DIABETIC retinopathy; DEEP learning; ARTIFICIAL intelligence; CONVOLUTIONAL neural networks; DIAGNOSTIC imaging; CLASSIFICATION algorithms; MEDICAL screening; OPTICAL coherence tomography |
| Abstract (English): |
Background: Diabetic Retinopathy (DR), a leading cause of blindness, is rising globally due to increasing diabetes prevalence, especially in low-resource settings lacking diagnostic tools and specialists. Early DR is often asymptomatic; timely and scalable screening is essential. This study introduces a cost-effective two-stage deep learning framework for DR detection: Stage 1 performs binary classification on Optical Coherence Tomography (OCT) images, while Stage 2 grades DR severity use multi-class classification. Shapley Additive exPlanations (SHAP) enhance model transparency and clinical trust. Trained on public datasets and validated by a CHUK ophthalmologist, the approach provides a cost-effective solution for DR management in the underserved diabetic population. Methods: The study followed five phases: (1) image dataset preparation using a four-step preprocessing pipeline: blurring, denoising, augmentation, and vector transformation for CNN input; (2) training and evaluating five pretrained CNNs (MobileNetV3, DenseNet121, InceptionV3, Xception, VGG19) with standard metrics; (3) applying SHAP to interpret predictions of a multi-class model; (4) validating performance on 270 CHUK specialist-annotated images and 270 from the Brazil dataset; and (5) deploying the top models in a web application. Results: The proposed model achieved strong performance in both DR screening and severity grading. DenseNet121 performed best, reaching 97% accuracy for referable DR detection and class accuracy of 97% (healthy), 92% (mild), 89% (moderate), 94% (severe), and 92% (proliferative). Validation datasets yielded Cohen’s Kappa scores of 0.771 and 0.680, demonstrating substantial agreement with expert grading. SHAP explanations enhanced interpretability across DR stages. Conclusion: The applied preprocessing techniques improved image clarity and boosted model accuracy in grading DR severity. The proposed CNN framework enables end-to-end DR management. Combining expert validation, quality imaging, and interpretable deep learning offers a promising solution for early detection of DR and vision preservation in diabetic populations. [ABSTRACT FROM AUTHOR] |
| Abstract (Arabic): |
تركز المقالة على تطوير وإثبات صحة إطار عمل تعلّم عميق قابل للتفسير لإدارة اعتلال الشبكية السكري (diabetic retinopathy - اعتلال الشبكية السكري)، يشمل كل من الفحص والتصنيف حسب شدة المرض. باستخدام صور التصوير المقطعي البصري التوافقي (Optical Coherence Tomography - التصوير المقطعي البصري التوافقي) وصور قاع العين، تطبق الدراسة خمسة شبكات عصبية تلافيفية مدربة مسبقًا، حيث حققت شبكة DenseNet121 أعلى دقة بلغت 97% في التصنيف الثنائي لاكتشاف اعتلال الشبكية السكري القابل للإحالة، وأداءً قويًا في التصنيف متعدد الفئات لشدة المرض عبر خمس مراحل من اعتلال الشبكية السكري، كما هو محدد في المقياس الدولي السريري لاعتلال الشبكية السكري (International Clinical Diabetic Retinopathy Scale - المقياس الدولي السريري لاعتلال الشبكية السكري). تم تعزيز قابلية التفسير من خلال استخدام تفسيرات شابلية الإضافية (SHapley Additive exPlanations - SHAP)، التي توفر تفسيرات بصرية لتنبؤات النموذج لدعم الثقة السريرية. أظهرت عملية التحقق على مجموعات بيانات مستقلة، بما في ذلك صور مشروحة من قبل أخصائي في مستشفى التعليم الجامعي في كيغالي (Centre Hospitalier Universitaire de Kigali - مستشفى التعليم الجامعي في كيغالي) ومجموعة بيانات برازيلية، توافقًا كبيرًا مع تصنيف الخبراء، حيث بلغت قيم كابا لكوهين 0.771 و0.680 على التوالي. تم دمج النماذج في تطبيق ويب مصمم للاستخدام من قبل غير المتخصصين وأطباء العيون، بهدف تسهيل فحص وإدارة اعتلال الشبكية السكري بشكل واسع النطاق وبتكلفة منخفضة في بيئات ذات موارد محدودة مثل رواندا. [Extracted from the article] |
| : |
Copyright of Journal of Health Informatics in Developing Countries is the property of Dr. Mowafa Househ and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) |
| Database: |
Complementary Index |