Edge Impulseで糖尿病性網膜症ステージを検出するオフラインAIモデルを構築
インターネット接続なしで糖尿病性網膜症のステージを正確に特定できるポータブル医療デバイスは、世界中の失明を大幅に減らす可能性があります。組み込み機械学習により、バッテリー駆動ハードウェア上で直接実行されるアルゴリズムが実現可能になりました。この記事では、Edge Impulseプラットフォームを使用してそのようなモデルを訓練する手順を説明します。
糖尿病性網膜症は眼底の血管を損傷し、未治療の場合しばしば失明に至ります。糖尿病を持つアメリカ人の5人に2人以上が何らかの形でこの病気を抱えており、早期発見が不可欠です。視力ケアが乏しい地方では、軽度のケースでさえ重度になるまで見逃されることがよくあります。
これを解決するため、公開データセットを活用して網膜カメラ画像からDR重症度を評価するモデルを訓練しました。データセットは5つのクラスに分かれています:
- DRなし
- 軽度DR
- 中等度DR
- 重度DR
- 増殖性DR
id_codeに置き換えられ、0(DRなし)から5(増殖性DR)までの診断スコアが付与されています。データセットリンク。

画像がフラット構造で保存されていたため、Excelのid_code値リストを読み取り、各画像を特定して対応するクラスフォルダに移動するVBAスクリプトを書きました。スクリプトはこちらで入手可能です。Pythonや他言語を好む場合も同様の自動化は簡単です。

Edge Impulseはデータアップロードインターフェースで取り込みを簡素化します。クラスごとに5回の個別アップロードを行い、各フォルダに適切にラベル付けしました。プラットフォームはクラウドバケット統合とデバイス収集も提供しますが、このデータセットでは手動アップロードが最適でした。

Edge Impulseはデータを自動的に80/20で訓練/テストセットに分割しますが、クラスバランスを改善するために約500枚の画像をテストセットに手動追加しました。
モデルには画像ブロックを選択し、5つのDRステージを分類するために転移学習アーキテクチャを適用しました。初期訓練では約74%の最高精度が得られました。これはまずまずですが、特に重度と軽度DRの間での誤分類が課題であることを示しています。混同行列(以下)がこの課題を示しています。

実世界の展開では、ポータブル網膜カメラが画像を撮影し、モデルをローカルで実行し、患者がフォローアップを必要とするかどうかを臨床医に即座に通知します。優先事項はすべてのDRステージを検出することなので、現在の精度はスクリーニングツールとして許容範囲です。
改善の可能性には以下が含まれます:
- より多くのラベル付きデータ取得で分散を削減。
- 隣接クラスの結合(例:軽度-中等度、重度-増殖性)で決定境界を単純化。
- ニューラルネットワークのレイヤー数とドロップアウト率の微調整。

最終モデルはフラッシュ306kB、RAM 236kBを占有します。Cortex-M4 80MHzで推論時間は0.8秒〜6秒、Cortex-M7 216MHzならより高速で、その場で画像を撮影する携帯デバイスに適しています。
まとめると、オープンソースデータセットで糖尿病性網膜症検出の効果的なエッジモデルを訓練できることを実証しました。このようなモデルを組み込みマイクロコントローラや軽量Linuxデバイスに展開することで、接続障壁を克服し、遠隔地や医療サービス不足地域に信頼性の高いスクリーニングをもたらせます。

詳細と今後の作業はこちらで確認できます。
埋め込み