فائزه رهبر - دانشجویی رشته کاردانی فناوری اطلاعات، دپارتمان برق و کامپیوتر،دانشکده حضرت فاطمه(س)، دانشگاه فنی و حرفه ای استان کرمان،ایران
زهرا اسدی - دانشجویی رشته کاردانی فناوری اطلاعات، دپارتمان برق و کامپیوتر،دانشکده حضرت فاطمه(س)، دانشگاه فنی و حرفه ای استان کرمان،ایران
محدثه منتظری دشت خاکی - مربی فنی کامپیوتر، دپارتمان برق و کامپیوتر،دانشکده حضرت فاطمه (س) دانشگاه فنی و حرفه ای استان کرمان، ایران

برنامه های غربالگری سیستماتیک یا ملی برای رتینوپاتی دیابتی DR و ادم ماکولای دیابتی DME با استفاده از عکاسی دیجیتال از فوندوس و توموگرافی انسجام نوری OCT ، در حال حاضر در سطحمراقبت های اولیه انجام می شود، و هدف آن ارجاع به موقع برای تهدیدات بینایی DR و DME به چشم پزشکان برای درمان به موقع و جلوگیری از کاهش بینایی است. با این حال، تفسیر تصاویر شبکیه بهدانش و تخصص در بیماری چشم دیابتی نیاز دارد. علاوه بر این، برنامه های فعلی غربالگری DR نیازمند سرمایه و کار فشرده هستند، که افزایش سریع و گسترش غربالگری چشم دیابتی برای پاسخگویی به نیازهای این همه گیر جهانی را دشوار می کند. یادگیری عمیق ( DL)، شاخه جدیدی از فناوری یادگیری ماشین تحت اصطلاح گسترده هوش مصنوعی ( AI )، پیشرفت چشمگیری در تصویربرداری پزشکی، به ویژه برای تشخیص الگو و طبقه بندی تصویر ایجاد کرده است. در چشم پزشکی، فناوری AI و DL از مجموعه داده های تصویر بزرگ در ارزیابی عکس های شبکیه برای تشخیص و غربالگری DR و همچنین تقسیم بندی و ارزیابی تصاویر OCT برای تشخیص و غربالگری DME ساخته شده است. هدف از این بررسی خلاصه کردن پیشرفت جاری و توسعه فن آوری AI و DL برای غربالگری بیماری های چشم دیابتی و نیز چالش های موجود در اجرای واقعی DL در برنامه های غربالگری و ترجمه مجدد آن به کاربردهای بالینی مستقیم غربالگری در یک محیط اجتماعی است.

هوش مصنوعی، یادگیری عمیق، رتینوپاتی دیابتی، توموگرافی انسجام نوری، غربالگری