سابقه‌و‌هدف: رتینوپاتی دیابتی به عنوان یک بیماری ریزعروقی شایع در میان افراد مبتلا به دیابت شناخته می‌شود و یکی از علل اصلی نابینایی در سطح جهان است. این بیماری منجر به تغییرهای قابل مشاهده‌ای در شبکیه چشم می‌شود. تشخیص به موقع این بیماری در مراحل ابتدایی می‌تواند احتمال بهبودی را افزایش دهد. پیش از این نشان داده شده که استفاده از هوش مصنوعی در تشخیص بیماری‌ها کمک می‌کند، بنابراین اهمیت استفاده از فناوری هوش مصنوعی عمیق برای تشخیص آن بسیار نمایان است. هدف این تحقیق، بررسی دقت و اهمیت هوش مصنوعی در تعیین شدت بیماری رتینوپاتی دیابتی است.
روش‌کار: در این پژوهش، برای آموزش شبکه‌های عصبی کانولوشن از داده‌های موجود در اینترنت شامل 13673 تصویر مرتبط با رتینوپاتی دیابتی که بر اساس شدت بیماری و کیفیت داده‌ها به شش دسته تقسیم‌بندی شده‌اند، استفاده شده است. این داده‌ها از 9598 بیمار توسط تاولی و همکاران در سال 2019 جمع‌آوری شده که تحت نظر هفت پزشک قرار داشته‌اند. تصاویر ثبت‌شده با استفاده از اسیلوسکوپ فلورسنت غالباً دارای نویز و کنتراست پایین هستند که سبب دشواری در تشخیص دقیق ناهنجاری‌ها توسط الگوریتم‌های هوش مصنوعی می‌شود. بنابراین، در این تحقیق از یک روش تقویت کنتراست تصویر برای ارتقای کیفیت تصاویر و تسهیل تشخیص تغییرهای شبکیه بهره گرفته شده‌است. همچنین برای یافتن بهترین پارامترهای مربوط به مدل هوش‌مصنوعی، از الگوریتم فرا‌ابتکاری ارشمیدس استفاده شده است. معمولاً، برای تشخیص شدت رتینوپاتی دیابتی، بیماری‌ها را به دو یا پنج دسته تقسیم می‌کنند، اما ما تصمیم گرفتیم که بر اساس شدت بیماری و کیفیت داده‌ها، آن را به شش دسته طبقه‌بندی کنیم.
یافته‌ها: استفاده از تساوی هیستوگرام تطبیقی محدود کنتراست و به‌کارگیری الگوریتم ارشمیدس با تعداد جمعیت اولیه 20 عدد و تعداد تکرار 50 توانست مقادیر بهینه پارامتر‌ها را برای مدل هوش مصنوعی به‌دست آورد و در نتیجه دقت تشخیص بیماری را بهبود دهد. با اجرای مدل پیشنهادی موفق به دستیابی به دقت 79 درصد و صحت 82 درصد در شش کلاس شدیم.
نتیجه‌گیری: نتایج به‌دست آمده حاکی از آن است که استخراج صحیح ضایعه‌های چشمی از داده‌های پزشکی و انتخاب پارامترهای مناسب برای مدل شبکه عصبی کانولوشنی با استفاده از الگوریتم‌های متاهیورستیک، امکان دستیابی به نتایج بهتر را فراهم کرده است. به نظر می‌رسد مدل پیشنهادی می‌تواند جایگزین مناسبی برای روش‌های مشابه با الگوریتم شبکه عصبی کانولوشنی باشد.