0. 论文简介

0.1 基本信息

2023 年 突尼斯斯法克斯大学 Salih, N 等在 Int J Comput Intell Syst 发表论文 “基于深度学习算法与投票分类器技术的ROP分区预测（Prediction of ROP Zones Using Deep Learning Algorithms and Voting Classifier Technique）”。本研究将投票分类器用于ROP区域识别任务，显著提升了分类准确率和稳定性。

论文下载： Springer
引用格式：
Salih, N., Ksantini, M., Hussein, N. et al. Prediction of ROP Zones Using Deep Learning Algorithms and Voting Classifier Technique. Int J Comput Intell Syst 16, 86 (2023). https://doi.org/10.1007/s44196-023-00268-9

0.2 论文速览

研究方法与工作流程

1. 数据来源与预处理：

• 图像采集：使用RetCam3设备，时间跨度2015–2019年。
• 图像质量筛选：排除模糊、过暗等低质量图像。
• 图像尺寸统一为224×224，并进行数据增强（旋转、平移、缩放、翻转），训练集扩增至18,808张。

2. 模型选择与训练：

• 使用了四种深度学习模型：
  • VGG-19
  • ResNet-50
  • EfficientNetB5
  • 自定义CNN
• 所有模型均使用ImageNet预训练权重，并在ROP数据集上微调。
• 使用Adam优化器，学习率0.0001，训练50轮，batch size为32。

3. 集成策略：
   采用**硬投票（Hard Voting）**方式，将四个模型的预测结果进行投票，得出最终分类结果

实验结果

1. AUC 值：投票分类器在Zone 1、Zone 2、Zone 3的平均AUC为91.20%，其中Zone 3表现最佳（AUC = 0.96）。
2. EfficientNetB5 在单一模型中表现最优，但投票分类器进一步提升了整体性能。

模型	准确率 (%)	精确率 (%)	召回率 (%)	F1-score (%)
VGG-19	77.93	79.06	77.65	77.07
ResNet-50	85.71	85.20	85.18	85.18
EfficientNetB5	87.27	87.11	86.75	86.84
CNN	83.79	83.71	82.55	82.47
投票分类器	88.82	88.60	88.03	88.17

主要贡献

1. 首次将投票分类器用于ROP区域识别任务：
   通过集成多个深度学习模型，显著提升了分类准确率和稳定性。
2. 构建并公开使用了一个真实临床ROP数据集：
   包含1365张图像，涵盖Zone 1–3，标注由经验丰富的眼科医生完成。
3. 系统比较了多种主流CNN架构在ROP分区任务中的表现：
   EfficientNetB5表现最佳，验证了其在医学图像任务中的优势。
4. 提出了一种可扩展的CAD（计算机辅助诊断）系统框架：
   适用于资源有限地区，辅助缺乏经验的医生进行ROP筛查和分区判断。

0.3 摘要

早产儿视网膜病变（ROP）可导致早产新生儿失明。当视网膜中异常形成新生血管时即可确诊该病症。然而，具有ROP高风险的人群若能早期发现并及时治疗，将显著获益。因此，ROP的早期诊断对于避免视力损害至关重要。

但鉴于许多地区缺乏ROP识别的临床经验，大量患者拒绝接受治疗，ROP病例持续攀升的现状使得这一问题尤为棘手。为解决这一难题，我们训练了三种迁移学习模型（VGG-19、ResNet-50和EfficientNetB5）和一个卷积神经网络（CNN），用以识别早产新生儿ROP病变区域。

本研究所用训练数据集包含1365张ROP筛查获得的眼底图像，这些数据采集自伊拉克巴格达的私立Al-Amal眼科中心。通过投票分类器技术对上述模型进行集成，显著提升了整体性能。实验结果表明：采用投票分类器时，该方法的总体准确率达88.82%；而EfficientNetB5模型以87.27%的准确率表现最优。

1. 引言

1940年，Terry首次定义并表征了早产儿视网膜病变(retinopathy of prematurity, ROP)，将其描述为由晶状体后部视网膜脱离引发的晶状体后纤维增生症[1]。此后学界普遍认为，该病症是全球儿童失明的主要原因[2-4]。随着新生儿重症监护病房的出现，胎龄不足37周的早产儿存活率显著提升[2]。全球范围内每年约有1500万早产儿出生[3]。当前，ROP已成为重大公共卫生问题[4]，其致盲的主要原因包括：具备ROP诊疗资质的眼科医师稀缺，以及筛查延迟[4]。若能在早期对高危患儿实施干预治疗，则可保留大部分或全部视力。因此，早期筛查对于预防永久性视力损伤至关重要[5]。

根据1984年[6]、1987年[7]和2005年[8]发布的《早产儿视网膜病变国际分类标准》(ICROP)，ROP需根据病情严重程度(分期1-5)、病灶区域(分区1-3)及附加病变(plus disease)存在情况进行综合评估。其中：分区1是以视盘中心至黄斑中心凹距离的两倍为半径的圆形区域；分区2是除分区1外、以视盘至鼻侧锯齿缘距离为半径的环形区域；分区3则包含分区1和分区2以外的残余新月形区域。图1展示了ICROP标准中基于病变严重程度的ROP分类体系。

诊断技术与设备
ROP诊断主要依赖于视网膜图像采集技术。广角光学视网膜成像系统——视网膜相机（Retcam）正被广泛应用于ROP眼底检查，该系统可实现多方位眼底图像的拍摄、存储、输出及传输。其优异的架构设计更有利于后续随访、会诊、临床研究和教学应用，目前已积累大量可用的形态学数据集[12-14]。

人工智能技术进展
随着AI技术的发展，其在医疗领域的应用日益广泛。深度学习模型在医学诊断领域表现突出，已成功应用于图像分类、目标识别、图像分割及疾病诊断等多个计算机视觉任务。基于大型数据集的可用性和深度网络设计的进步，AI技术有望缓解医务人员的诊疗压力。传统机器学习技术虽可用于图像识别与分类，但需要额外进行特征提取和降维处理，这既增加了时间成本，又可能在图像矩阵转为向量时丢失关键细节。相比之下，卷积神经网络（CNN）通过卷积层自动提取图像特征，并利用池化层实现降维，展现出显著优势。

深度学习方法创新
尽管检眼镜等传统方法可基于大型数据库进行ROP诊断分析，但人工智能技术能实现更高效的诊断。深度学习算法特别擅长识别视网膜病变的致病特征。迁移学习作为一种有效范式，可将已学知识迁移至相关新任务中。诸如VGG-19、ResNet-50和EfficientNetB5等预训练模型基于ImageNet等大型数据集（包含1000多个类别和120万张自然图像）训练而成[9]，这些模型通过大量计算资源构建，已掌握边缘、形状、光照、旋转及空间关系等特征识别能力，适用于跨领域的图像特征提取。

模型优化策略
训练数据集的规模对模型性能至关重要，小样本训练易导致性能低下或过拟合，迁移学习可有效改善这一问题。在分类问题上，迁移学习能显著提升模型在有限训练数据（少于千例样本）下的泛化能力[10]，特别适合本研究采用的小样本疾病预测。

多数投票和加权投票是两种常用的集成技术。简单多数投票直接选择得票最多的选项，且无需额外参数调整[11-12]。加权投票则需为各分类器的输出分配不同权重，对表现优异的分类类别赋予较高权重。如何为每个分类器的所有类别确定最佳投票权重是重要挑战[13]，可将该问题转化为优化问题，采用遗传算法（GA）或粒子群优化（PSO）等人工智能方法求解。

研究目标与贡献
本研究致力于开发全面可靠的ROP自动检测系统，以实现疾病早期识别。基于早产儿眼底图像，我们建立的诊断模型展现出高精度分类性能，通过CNN评估了迁移学习模型的有效性。本项目最终目标是开发临床可用的ROP计算机辅助诊断（CAD）系统，在眼科疾病预测方面取得了较高准确率。

论文结构
第1节为引言；第2节讨论相关工作；第3节阐述研究方法、数据集收集及特征；第4节分析ROP诊断分类模型性能；第5节总结研究成果。

ROP分区视网膜示意图：a) 1区病变，b) 2区病变，c) 3区病变

2. 相关工作

全球科学家一直致力于ROP研究及计算机辅助诊断工具的研发。早期的ROP筛查算法主要基于传统图像处理和机器学习技术，但由于采用小规模图像数据集且依赖人工设计特征，这些方法在处理复杂问题时存在准确率低、耗时长的缺陷。随着数据集规模的扩大和图形处理器(GPU)的普及，深度学习在医学影像领域获得广泛应用，其网络架构能够自动学习数据的高维特征而无须人工干预。

当前ROP检测研究虽取得显著进展，本研究仍存在若干创新突破点。Agrawal等人[14]提出一种基于U-Net网络和圆霍夫变换集成的方法，专门检测不含黄斑区的视网膜1-3区病变。该模型因采用多尺度图像训练而具有较强泛化能力，单图检测仅需30毫秒，完整训练过程仅14分钟。Mulay等人[15]则开发了基于CNN的脊线检测系统（ROP诊断重要标志），创新性采用Mask R-CNN模型实现分界线/脊线检测，显著提升临床医生对ROP2期的诊断准确率。针对图像质量问题，该系统引入图像增强预处理步骤，并基于KIDROP项目的220张婴幼儿眼底图像数据集（含45名婴儿）进行研究，其中175张标注脊线区域的图像用于模型训练。

Wang等人[16]提出名为DeepROP的DNN自动检测系统，通过ID-Net和GR-Net两个独立网络分别完成ROP识别和分级任务。该系统临床数据集由眼科专家标注的眼底图像构成。Vijayalakshmi等人[17]开发了针对远程医疗广域图像的ROP自动分级方法，数据集包含65例正常、89例2期和45例3期远程ROP图像，采用Hessian分类器和SVM实现病变检测与严重程度分级。

在预训练模型应用方面，Lei等人[18]基于ResNet-50架构改进，融入通道和空间注意力模块，构建面向广角视网膜图像的DCNN模型，并采用Grad-CAM类激活映射技术实现病理结构定位。Worrall等人[19]探索两种CNN应用方案：1)微调GoogLeNet作为ROP检测器并输出疾病贝叶斯概率；2)训练辅助CNN生成疾病特征热图以辅助分级。Huang等人[5]对比五种DNN架构发现，经五折交叉验证的VGG-19模型在早产儿ROP诊断中表现最优。Tong等人[20]则构建基于101层ResNet和Faster-RCNN的深度学习系统，利用36,231张专家标注的眼底图像，通过十折交叉验证实现ROP分期与并发症识别，其四分类测试在准确率、灵敏度和特异度等指标上表现优异。

近期部分研究综述了ROP早期检测技术的发展现状。多位学者通过比较不同机器学习方法的性能差异，系统性地指出了当前研究存在的空白领域。Gensure等人[21]深入分析了人工智能在ROP领域的应用现状，重点探讨了阻碍AI算法临床转化的关键障碍及潜在解决方案。研究指出，算法在未知数据上的泛化能力不足，以及AI技术与现有临床流程的整合困难，是制约ROP智能检测技术大规模临床应用的主要瓶颈。

类似地，Scruggs等人[22]聚焦于开发针对ROP重症的自动检测系统，同时详细剖析了AI系统设计及其实际部署过程中面临的临床与技术双重挑战。该研究特别强调，真实世界医疗场景中的图像质量差异、病例分布偏差等因素，会显著影响AI模型的诊断效能。

综合现有研究可发现两大显著特征：第一，迁移学习模型和卷积神经网络(CNN)已成为当前ROP分类的主流技术路径；第二，受限于医疗数据获取难度，多数研究仍采用小规模数据集进行模型训练（这一问题可能直接影响模型的临床应用性能）。值得注意的是，据我们系统文献调研，目前尚未有研究尝试采用投票集成分类器(voting classifier)来整合多模型预测优势以提升整体性能，这一技术路线可能成为未来研究的重要突破方向。

3. 结果

3.1 数据集

所有眼底图像均采集自伊拉克巴格达Al-Amal眼科私立诊疗中心。该机构配置RetCam3专业眼底成像设备，由资深眼科专家完成图像采集工作，具备多年ROP筛查临床经验。2015至2019年间，共收集1365张符合ROP筛查标准的婴幼儿眼底图像。

3.2 标注流程

本研究邀请两位具有15年以上ROP诊疗经验的资深眼科专家参与标注工作。标注标准采用国际通用的ROP分区系统，每位专家独立完成所有图像的三区分级标注。为确保标注一致性，设置第三位同等资历的眼科专家进行仲裁：当出现标注分歧时（即不同专家对同一图像赋予不同分区标签），三位专家通过共识讨论最终确定统一标注结果。

3.3 预处理

原始眼底图像分辨率为640×480像素。为了适配深度学习模型的输入要求，统一将图像尺寸调整至224×224像素。经专业筛选，最终纳入1029例患者的合格图像，剔除成像模糊、曝光不足或存在明显伪影的图像。数据集构建遵循以下原则：1) 确保训练集与测试集患者独立无重叠；2) 包含同一患儿不同进展阶段的连续随访图像；3) 按表2所示比例随机划分训练集、验证集和测试集。

3.3.1 数据增强

为避免训练数据不足导致的模型过拟合问题，本研究采用数据增强技术从现有训练集生成新的视网膜眼底图像。具体增强方案包括：

旋转范围：[3°, 3°]
宽度平移范围：[0.1, 0.1]
高度平移范围：[0.1, 0.1]
缩放范围：[0.85, 1.15]
水平翻转
通过上述增强策略，训练集规模扩展至原始数据的7倍，最终获得18,808张增强图像用于模型训练。这种处理方式显著提高了模型的泛化能力，同时保持了原始图像的病理特征。

3.3.2 深度学习模型

本研究从主流模型架构中筛选三类代表性骨干网络进行性能对比：

VGG组：选用VGG-19深度卷积网络
ResNet组：采用50层残差网络(ResNet-50)
Efficient组：使用高效网络EfficientNetB5
所有模型均采用全连接卷积神经网络(CNN)架构进行分类性能评估，通过横向比对分析各模型在ROP分级任务中的表现差异。

3.4 模型架构

3.4.1 VGG-19模型
VGG-19作为VGG系列19层深度卷积网络，通过预训练已具备卓越的图像特征提取能力，能够精确识别眼底图像中的形态学特征（包括血管形态、颜色分布及病灶结构）。该网络在百万级图像数据集上完成训练，擅长处理复杂分类任务。

3.4.2 ResNet-50模型
ResNet-50采用50层残差网络架构，通过堆叠残差模块构建深度神经网络。其创新性跳跃连接技术实现两方面突破：
1）解决深层网络梯度消失问题，建立梯度反向传播新路径
2）实现恒等映射功能，确保网络深层性能不低于浅层

3.4.3 EfficientNetB5模型
EfficientNetB5是基于TensorFlow框架开发的图像分类高效模型，采用ImageNet数据库预训练。该模型通过系统性扩展基准卷积网络规模，在保证计算效率前提下适配不同资源约束条件，实现精度与效能的平衡优化。

3.4.4 卷积神经网络架构

卷积神经网络(CNN或ConvNet)是机器学习的一个重要分支。作为人工智能神经网络众多类型中的一种，该技术可应用于多种任务和数据源处理场景。CNN本质上是一种专为图像处理和像素计算设计的深度学习网络架构，其典型结构包含三个核心层级：卷积层、池化层和全连接层(FC)。在网络构建中，卷积层通常作为初始处理层，而全连接层则作为最终输出层。

3.4.3.1 提出的方法

我们选择这些深度神经网络(DNN)模型来实现ROP识别的主要目标。获得初步结果后，构建投票分类器以提升性能，并与前述DNN模型进行比较。根据实验结果评估模型表现后，选择性能最优的模型用于疾病严重程度检测。我们的解决方案包括加载Keras提供的预训练模型权重，并通过替换模型的全连接层为四个隐藏层来合并分类器。

所有DNN模型的第一和第二全连接层尺寸均为250，丢弃层的丢弃率为20%。第三全连接层为128字节，第三丢弃层丢弃率同样为20%。最后一层是用于眼底图像分类的softmax层，其前接用于图像分类的全连接层。所有稠密层均使用ReLU激活函数，损失函数选择分类交叉熵，优化器优先选用"Adam"而非其他优化器。

投票分类器可预测所有结果的平均值，而非仅选择单一模型。该分类器接收所有分类器的结果，并输出单一结果值[25,26]。本研究中采用的硬投票分类器要求四个前置分类模型对数据集中的每个实例进行投票，最终输出预测需获得超半数投票支持，模型将根据多数类标签进行分类。

超参数设置会显著影响机器学习模型的效率。本研究选择具有强大优化声誉的Adam优化器，采用经过验证的通用默认值0.0001作为学习率。1e-6的衰减率通过逐步降低训练速率来防止过拟合。关键超参数还包括训练轮次(epochs)和批尺寸(batch size)。训练轮次决定完整训练数据集用于更新模型权重的次数。预实验表明模型性能在50轮次后趋于稳定，因此将训练上限设为50轮。批尺寸控制每次梯度更新所用的样本量，较大批尺寸可缩短训练时间但需更多存储空间，较小批尺寸虽收敛较慢但能提供更精确的更新。基于可用内存和探索性试验结果，本研究最终确定批尺寸为32。

图2展示了完整分类流程：数据经预处理后划分为训练集和测试集；使用增强后的训练数据训练模型；将模型部署至测试集进行分类；通过模型测试和超参数调整获得最优结果；最后评估模型的预测效能和类别区分能力。我们还展示了各模型在ROP分期分类中的难点，并通过计算曲线下面积(AUC)比较其性能。最终整合四个DNN模型的输出构建投票分类器。

3.4.3.2 评估指标

本研究采用精确率（precision）、召回率（recall）、F1分数（F-measure）和曲线下面积（AUC）等指标来评估和比较各训练模型的性能。研究过程中，我们将不同分类器的结果数据输入投票分类器以预测最终准确率。

指标定义与公式
准确率（ACC）：正确识别的样本数占总样本数的比例 [23]:

精确率（Prec）：预测为正类的样本中实际为正类的比例 [24]:

召回率：实际为正类的样本中被正确识别的比例 [25]:

F1分数：精确率与召回率的调和平均数 [25]:

曲线下面积（AUC）
ROC曲线（接收者操作特征曲线）下面积是衡量模型区分多类别能力的重要指标。AUC值越高，表明模型的识别准确率越好 [26]。

ROC曲线通过真阳性率（TPR）和假阳性率（FPR）计算得出:

其中：
TP：真阳性
TN：真阴性
FP：假阳性
FN：假阴性

4. 结果与讨论

本研究旨在识别早产新生儿视网膜病变(ROP)的分区情况。我们测试了所提模型在眼底图像中对ROP三个分区的分类效能，采用精确率、召回率、F1分数及曲线下面积(AUC)四项指标，通过四种不同分类器进行数据集训练以预测数据趋势。最终使用投票分类器整合各分类器的输出，给出综合准确率结果。

4.1 实验设置

实验平台为Intel Core i7处理器（主频2.7 GHz）与8GB内存的计算机，采用Python编写的开源机器学习工具包Scikit-learn。使用Google Colab这一开源网络工具创建实验报告，其中整合了可执行代码、可视化图表、数学公式及说明文本。

4.2 深度学习模型的ROP诊断

ROP的早期精准诊断对临床治疗至关重要。为此，我们采用分类方法判定病情属中度或重度，此类及时诊断有助于实施最佳治疗方案。实验中筛选出VGG-19、ResNet-50、EfficientNetB5和CNN四个具ROP严重程度预测潜力的模型进行训练，通过测试案例图像输入评估预测性能。

实验结果表明：

准确率方面，EfficientNetB5以87.27%的表现最优，VGG-19最低（77.93%）
精确率指标，EfficientNetB5达到87.11%，VGG-19最低（79.06%）（图3所示）
召回率比较，EfficientNetB5仍以86.75%领先，VGG-19最低（77.65%）
F1分数维度（表3所示），EfficientNetB5保持86.75%的优势，VGG-19最低（77.65%）

图3 深度学习分类模型的ROC-AUC曲线：
a) 卷积神经网络(CNN)
b) EfficientNetB5
c) VGG-19
d) ResNet-50

在第二阶段，我们采用了集成方法中的投票分类器。通过构建多个不同的深度学习分类器，并将它们的判定结果进行整合，最终形成统一决策。本研究运用的投票分类器作为一种典型的集成学习方法，其核心机制是在同一数据集上并行运行多种深度学习算法[25, 26]。

具体实施过程中，每个基分类器（即前述分类模型）都对每个样本进行类别投票。其中，半数投票权重会赋予最新输出的预测结果。系统将选择获得最高票数的类别标签作为最终分类结果，相关模型的对比分析详见结果表格。如图3所示，ROC曲线的性能评估证实了这些深度学习模型具有稳定的判别能力。

实验结果表明（表4数据），投票分类器显著提升了预测性能，具体指标为：精确率88.6、召回率88.03、F1分数88.17、AUC值91.20。该性能提升源于投票分类器的协同工作机制——整合两种及以上深度学习技术的判定结果，通过多数表决原则确定最终类别（图4）。表4详细呈现了本方法与其他算法的对比情况。

4.3 局限性与未来研究方向

任何研究都必须正视其局限并指明潜在发展路径。本研究存在若干需要讨论的局限，这些将为后续研究提供改进方向。

首要局限在于样本仅覆盖单一地理区域，未来研究可通过扩大代表性样本量以提升研究结论的普适性。其次，采用自我报告式数据收集方法可能引入测量误差和应答偏倚，建议后续研究结合生理指标或行为评估等客观测量手段，以验证自陈数据的信效度。

5. 总结

本研究开创性地将迁移学习应用于卷积神经网络（CNN），实现了新生儿视网膜病变（ROP）的自动识别。鉴于乡村地区眼科医生稀缺与早产儿高发的现状，开发高精度预测系统具有重大临床意义。本文采用VGG-19、ResNet-50、EfficientNetB5和CNN四种分类器进行早产儿ROP分区检测训练，其分类准确率分别为77.93%、83.79%、85.71%和87.27%。通过集成投票分类器后，模型整体准确率提升至88.82%。经测试验证，该训练模块的精确率、召回率、F1值及曲线下面积等指标均表现优异，最终基于评估矩阵总分实施了投票分类决策。

未来研究将聚焦于三方面：算法持续优化、方法论创新以及训练数据集扩容，这些工作将有力推动当前医疗改革进程。

数据可用性声明
本研究数据集经作者授权使用。

缩写词表

ROP：早产儿视网膜病变

AI：人工智能

ICROP：早产儿视网膜病变国际分类

RETCAM：视网膜摄像仪

DL：深度学习

ML：机器学习

CNN：卷积神经网络

DCNN：深度卷积神经网络

DNN：深度神经网络

AUC：曲线下面积

ROC：受试者工作特征

复合术语专有缩写

KIDROP：卡纳塔克邦互联网辅助早产儿视网膜病变诊断系统

VGG：视觉几何组（深度网络架构）

GA：遗传算法

GPUs：图形处理器阵列

交叉领域应用缩写

SVM：支持向量机

Tele-ROP：远程医疗早产儿视网膜病变诊断系统

6. 参考文献

A Weighted Voting Framework for Classifiers Ensembles | SpringerLink’. Accessed 7 December 2022 https://link.springer.com//https://doi.org/10.1007/s10115-012-0586-6.
Ranjana, A., Kulkarni, S., Walambe, R., Kotecha, K.: Assistive framework for automatic detection of all the zones in retinopathy of prematurity using deep learning. J. Dig. Imag. 34(4), 932–947 (2021). https://doi.org/10.1007/s10278-021-00477-8
Garner, A., Ben-Sira, I., Konen, W., Majima, A., Mccormick, A., Mushin, A.: An International classification of retinopathy of prematurity. Pediatrics 74(1), 127–133 (1984)
Aaberg, T.: An International classification of retinopathy of prematurity. II. The classification of retinal detachment. The International Committee for the classification of the late stages of Retinopathy of Prematurity. Archiv Ophthalmol. 105(7), 906–912 (1987)
‘Application of Majority Voting to Pattern Recognition: An Analysis of Its Behavior and Performance | IEEE Journals & Magazine | IEEE Xplore’. Accessed 7 December 2022 https://ieeexplore.ieee.org/document/618255.
Lei, B., Zeng, X., Huang, S., Zhang, R., Chen, G., Zhao, J., Wang, T., Wang, J., Zhang, G.: Automated detection of retinopathy of prematurity by deep attention network multimedia tools and applications. Multimed. Tools. Appl. (2022). https://doi.org/10.1007/s11042-021-11208-0
Bao, Y., Ming, W.-K., Mou, Z.-W., Kong, Q.-H., Li, A., Yuan, T.-F., Mi, X.-S.: Current application of digital diagnosing systems for retinopathy of prematurity. Comput. Methods. Prog. Biomed. (2020). https://doi.org/10.1016/j.cmpb.2020.105871
Byra, M., Styczynski, G., Szmigielski, C., Kalinowski, P., Michałowski, Ł, Paluszkiewicz, R., Ziarkiewicz-Wróblewska, B., Zieniewicz, K., Sobieraj, P., Nowicki, A.: Transfer Learning with deep convolutional neural network for liver steatosis assessment in ultrasound images. Int J Comput Assist Radiol Surg 13(12), 1895–1903 (2018). https://doi.org/10.1007/s11548-018-1843-2
Chicco, D., Jurman, G.: The advantages of the matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics 21(1), 6 (2020). https://doi.org/10.1186/s12864-019-6413-7
Coyner, A.S., Peter Campbell, J., Ostmo, S., Kim, S.J., Jonas, K.E., Paul Chan, R.V., Chiang, M.F.: Machine learning for prediction of retinopathy of prematurity fundus image quality from clinical data. Investigat. Ophthalmol. Vis. Sci. 60(9), 1525 (2019)
‘Detecting Fake News in Social Media Using Voting Classifier | IEEE Journals & Magazine | IEEE Xplore’. Accessed 19 November 2022 https://ieeexplore.ieee.org/document/9632574.
Early Treatment for Retinopathy of Prematurity Cooperative Group: The incidence and course of retinopathy of prematurity: findings from the early treatment for retinopathy of prematurity study. Pediatrics 116(1), 15–23 (2005). https://doi.org/10.1542/peds.2004-1413
Gensure, R.H., Chiang, M.F., Campbell, J.P.: Artificial intelligence for retinopathy of prematurity. Curr. Opin. Ophthalmol. 31(5), 312–317 (2020). https://doi.org/10.1097/ICU.0000000000000680
Goldenberg, R.L., Culhane, J.F., Iams, J.D., Romero, R.: Epidemiology and causes of preterm birth. Lancet 371(9606), 75–84 (2008). https://doi.org/10.1016/S0140-6736(08)60074-4
Huang, Y.-P., Vadloori, S., Chu, H.-C., Kang, E.-C., Wei-Chi, Wu., Kusaka, S., Fukushima, Y.: Deep learning models for automated diagnosis of retinopathy of prematurity in preterm infants. Electronics 9(9), 1444 (2020). https://doi.org/10.3390/electronics9091444
International Committee for the Classification of Retinopathy of Prematurity: The International classification of retinopathy of prematurity revisited. Archiv. Ophthalmol. 123(7), 991–999 (2005). https://doi.org/10.1001/archopht.123.7.991
Martin, J.A., Kochanek, K.D., Strobino, D.M., Guyer, B., MacDorman, M.F.: Annual summary of vital statistics--2003. Pediatrics 115(3), 619–634 (2005). https://doi.org/10.1542/peds.2004-2695
Supriti, M., Ram, K., Sivaprakasam, M., Vinekar, A.: Early detection of retinopathy of prematurity stage using deep learning approach. Med. Imag. Comput. Aid. Diagn. 10950, 758–764 (2021). https://doi.org/10.1117/12.2512719
Pour, E.K., Pourreza, H., Zamani, K.A., Mahmoudi, A., Sadeghi, A.M.M., Shadravan, M., Karkhaneh, R., Pour, R.R., Esfahani, M.R.: Retinopathy of prematurity-assist: novel software for detecting plus disease. Korean J. Ophthalmol. 31(6), 524 (2017). https://doi.org/10.3341/kjo.2015.0143
Rashaed, S.A.: Retinopathy of prematurity—a brief review. Dr Sulaiman Al Habib Med. J. 1(3–4), 58–64 (2019). https://doi.org/10.2991/dsahmj.k.191214.001
Rolls, E.T.: The storage and recall of memories in the Hippocampo-cortical system. Cell Tissue Res. 373(3), 577–604 (2018). https://doi.org/10.1007/s00441-017-2744-3
Scruggs, B.A., Paul Chan, R.V., Kalpathy-Cramer, J., Chiang, M.F., Peter Campbell, J.: Artificial intelligence in retinopathy of prematurity diagnosis. Trans. Vis. Sci. Technol. 9(2), 5 (2020). https://doi.org/10.1167/tvst.9.2.5
Terry, T.L.: Extreme prematurity and fibroblastic overgrowth of persistent vascular sheath behind each crystalline lens* *from the massachusetts eye and ear infirmary. This investigation is made possible through the special fund for research for pathology laboratory. Am. J. Ophthalmol. 25(2), 203–204 (1942). https://doi.org/10.1016/S0002-9394(42)92088-9
Tong, Y., Wei, Lu., Deng, Q.-Q., Chen, C., Shen, Y.: Automated identification of retinopathy of prematurity by image-based deep learning. Eye Vis. 7(1), 40 (2020). https://doi.org/10.1186/s40662-020-00206-2
Vijayalakshmi, C., Sakthivel, P., Vinekar, A.: Automated detection and classification of telemedical retinopathy of prematurity images. Telemed. J. E-Health Off. J. Am. Telemed. Assoc. 26(3), 354–358 (2020). https://doi.org/10.1089/tmj.2019.0004
Wang, J., Rong, Ju., Chen, Y., Zhang, L., Junjie, Hu., Yu, Wu., Dong, W., Zhong, J., Yi, Z.: Automated retinopathy of prematurity screening using deep neural networks. EBioMedicine 35, 361–368 (2018). https://doi.org/10.1016/j.ebiom.2018.08.033
Worrall, Daniel E., Clare M. Wilson, and Gabriel J. Brostow. ‘Automated Retinopathy of Prematurity Case Detection with Convolutional Neural Networks’. In: Deep Learning and Data Labeling for Medical Applications, edited by Gustavo Carneiro, Diana Mateus, Loïc Peter, Andrew Bradley, João Manuel R. S. Tavares, Vasileios Belagiannis, João Paulo Papa, et al., 10008:68–76. Lecture Notes in Computer Science. Cham: Springer International Publishing, 2016. Accessed 12 February 2021 doi:https://doi.org/10.1007/978-3-319-46976-8_8.
Jafar, Z.S.A., Buriro, A., Riaz, M., Mahboob, A., Riaz, M.N.: Implementation and comparison of text-based image retrieval schemes. Int J Advan Comput Sci Appl (IJACSA) 10(1), 611–618 (2022). https://doi.org/10.14569/IJACSA.2019.0100177

版权说明：
本文由 youcans@xidian 对论文 Prediction of ROP Zones Using Deep Learning Algorithms and Voting Classifier Technique 进行摘编和翻译。该论文版权属于原文期刊和作者，本译文只供研究学习使用。

youcans@xidian 作品，转载必须标注原文链接：
【医学影像 AI】基于深度学习算法与投票分类器技术的ROP分区预测(https://youcans.blog.csdn.net/article/details/152258913)
Crated：2025-09