糖尿病视网膜病变(DR)是糖尿病的微血管并发症,也是可预防失明的主要原因,预计到2030年将影响全球超过1.3亿人。 早期识别对于减少不可逆转的视力丧失至关重要,但目前的诊断工作流程依赖于基础摄影和专家审查等方法,这些方法仍然昂贵且资源密集。 这与DR的无症状性质相结合,导致其诊断不足率约为25%。 尽管卷积神经网络(CNN)在医学成像任务中表现出强劲的表现,但有限的可解释性和不确定性量化的缺乏限制了临床可靠性。 因此,在本研究中,引入了与不确定性估计集成的深度学习框架,以提高DR检测的稳健性,透明度和可扩展性。 该集成包括七个CNN架构-ResNet-50,DenseNet-121,MobileNetV3(小型和大型)和EfficientNet(B0,B2,B3) - 其输出通过精确加权多数投票策略融合。 概率加权熵指标量化了预测的不确定性,使低置信度样本被排除或标记以进行额外审查。 对35,000张EyePACS视网膜基底图像的训练和验证产生了93.70%的未经过滤的精度(F1 = 0.9376)。 后来进行不确定性过滤以去除不自信的样本,导致最大精度为99.44%(F1 = 0.9932)。 该框架表明,具有不确定性意识、精度加权的集合可提高可靠性,而不会妨碍性能。 凭借信心校准的输出和可调精度覆盖的权衡,它为在高风险护理中部署值得信赖的人工智能诊断提供了可推广的范例。