This study presents the development and evaluation of a machine learning-based system for the classification of ophthalmic
diseases using fundus images. The dataset consists of images categorized into four main classes: cataract, diabetic retinopat hy,
glaucoma, and healthy eye. To ensure the accuracy and reliability of the models, the data underwent preprocessing steps, including
outlier detection, normalization, balancing, and splitting into training and testing sets. Three deep learning models - VGG16, VGG19,
and EfficientNet were utilized for disease classification. The experimental results demonstrated high prediction accuracy across
different disease categories, with EfficientNet achieving the highest performance (up to 96.94% for diabetic retinopathy). The system
allows users to upload eye images, select a model, and obtain diagnostic predictions with specified accuracy levels. The models were
rigorously tested using the Python unittest framework, confirming their stability and reliability. The findings highlight the potential
of machine learning in improving ophthalmic disease diagnosis, reducing diagnostic time, and enhancing medical decision-making.
The integration of these models into medical practice can significantly improve the quality of healthcare services and assist doctors in
providing more efficient and accurate diagnoses.
Це дослідження представляє розробку та оцінку системи на основі машинного навчання для класифікації офтальмологічних захворювань за допомогою фундусних зображень. Набір даних складається з зображень, що поділяються на чотири основні класи: катаракта, діабетична ретинопатія, глаукома та здорова око. Для забезпечення точності та надійності моделей дані пройшли етапи попередньої обробки, включаючи виявлення викидів, нормалізацію, балансування та поділ на тренувальні та тестові набори. Для класифікації захворювань було використано три моделі глибокого навчання: VGG16, VGG19 та EfficientNet. Експериментальні результати показали високу точність передбачень у різних категоріях захворювань, причому EfficientNet досяг найвищих результатів (до 96,94% для діабетичної ретинопатії). Система дозволяє користувачам завантажувати зображення ока, вибирати модель та отримувати діагностичні прогнози з вказаним рівнем точності. Моделі були ретельно протестовані за допомогою фреймворку Python unittest, що підтвердило їхню стабільність і надійність. Результати підкреслюють потенціал машинного навчання для покращення діагностики офтальмологічних захворювань, скорочення часу діагностики та підвищення ефективності прийняття медичних рішень. Інтеграція цих моделей у медичну практику може значно покращити якість медичних послуг та допомогти лікарям надавати більш ефективні та точні діагнози.
