سیستم‌های رتینوپاتی دیابتی (DR) یکی از عوارض شایع دیابت و عامل اصلی نابینایی قابل پیشگیری در سطح جهانی است. تشخیص زودهنگام و دقیق این بیماری برای جلوگیری از پیشرفت آن و حفظ بینایی حیاتی است. روش‌های تشخیصی سنتی، علی‌رغم دقت، با چالش‌هایی نظیر زمان‌بر بودن، هزینه بالا و وابستگی به تخصص محدود پزشکان روبرو هستند. لذا، توسعه سامانه‌های خودکار و هوشمند تشخیص، با بهره‌گیری از فناوری‌های نوین مهندسی، امری ضروری است. این پژوهش به توسعه یک سامانه مهندسی یکپارچه می‌پردازد که یادگیری ماشین را با اصول نوین در حوزه مواد زیست‌سازگار و تکنیک‌های پیشرفته تصویربرداری شبکیه ترکیب می‌کند. هدف اصلی، ارتقاء دقت و سرعت در تشخیص و طبقه‌بندی شدت رتینوپاتی دیابتی با استفاده از تصاویر فوندوس شبکیه است. در این مطالعه، ما از مجموعه‌داده APTOS 2019، که شامل تصاویر متنوعی از سطوح پنج‌گانه شدت بیماری است، بهره برده‌ایم. مراحل پیش‌پردازش تصویر شامل نرمال‌سازی و یکسان‌سازی ابعاد، با در نظر گرفتن ویژگی‌های مواد و سنسورهای به‌کار رفته در دستگاه‌های تصویربرداری (اگرچه در این چکیده اولیه جزئیات مواد ذکر نشده، اما رویکرد کلی به این سمت است)، انجام شده است. برای استخراج ویژگی‌های دقیق و انجام طبقه‌بندی، از معماری پیشرفته شبکه عصبی کانولوشنی EfficientNet-B4، که قابلیت یادگیری انتقالی و استخراج ویژگی‌های سطح بالا را دارد، استفاده شده است. لایه‌های نهایی شبکه برای وظیفه طبقه‌بندی چندکلاسه (پنج گرید DR) بهینه‌سازی شده‌اند. جنبه نوآوری این پژوهش در تلفیق رویکردهای مهندسی مواد (حتی در سطح مفاهیم مرتبط با کیفیت تصویربرداری) با مدل‌های یادگیری عمیق برای بهبود عملکرد سیستم تشخیص است. نتایج اولیه نشان‌دهنده عملکرد امیدوارکننده‌ای در تشخیص و تفکیک سطوح مختلف رتینوپاتی دیابتی است، که بر پتانسیل این سامانه مهندسی به‌عنوان ابزاری کارآمد در سیستم‌های پشتیبان تصمیم‌گیری بالینی تأکید دارد. این رویکرد می‌تواند گامی مهم در جهت ارائه راهکارهای نوین و قابل دسترس‌تر برای سلامت چشم باشد.

رتینوپاتی دیابتی یادگیری ماشین مهندسی پزشکی تصویربرداری شبکیه شبکه عصبی کانولوشنی EfficientNet B4 پیش‌پردازش تصاویر سلامت هوشمند.