Within-Family EfficientNet Scaling under Fixed-Resolution Transfer Learning for Spectral-Domain Optical Coherence Tomography Retinal Disease Classification

{"tags": ["EfficientNet", "Transfer Learning", "SD-OCT", "Medical AI", "Computer Vision", "Model Scaling", "Retinal Disease"], "risks": ["Dữ liệu tập Kermany chưa được kiểm toán độc lập về trùng lặp mẫu giữa các phân vùng (cross-partition duplicates), do đó kết quả phụ thuộc chặt chẽ vào cách chia tập dữ liệu hiện tại.", "Đánh giá ở độ phân giải cố định 224x224 có thể làm giảm ưu thế kiến trúc của các biến thể lớn (B7 vốn được thiết kế cho độ phân giải cao hơn).", "F1-score của lớp Drusen còn thấp (< 0,88), tiềm ẩn rủi ro chẩn đoán sai hoặc bỏ sót bệnh nhân trong thực tế lâm sàng."], "category": "Research", "entities": ["EfficientNet", "ImageNet", "Kermany dataset", "SD-OCT", "Drusen", "CNV", "DME"], "summary_vi": "Nghiên cứu đánh giá hiệu quả mở rộng (scaling) của họ EfficientNet (B0-B7) trong transfer learning ở độ phân giải cố định (224x224) trên tập dữ liệu Kermany phân loại 4 nhóm bệnh võng mạc qua ảnh SD-OCT. Kết quả cho thấy mô hình lớn hơn không đồng nghĩa với hiệu quả cao hơn: EfficientNet-B1 đạt độ chính xác cao nhất (96,95%) và F1-score Drusen tốt nhất (0,8780), vượt trội hơn B7 (96,73%) dù B7 có số tham số gấp 16 lần và độ trễ CPU lớn hơn đáng kể. Thứ hạng hiệu năng trên OCT khác biệt rõ rệt so với ImageNet, chứng minh scaling phụ thuộc chặt chẽ vào nhiệm vụ và giao thức huấn luyện.", "key_changes": ["Quy luật scaling phi đơn điệu: EfficientNet-B1 đạt độ chính xác cao nhất (96,95%), vượt qua biến thể lớn nhất B7 (96,73%) và bản gốc B0 (95,93%).", "Thứ bậc hiệu năng trên SD-OCT khác biệt so với ImageNet: Việc tăng kích thước mô hình từ B0 lên B7 ở độ phân giải cố định 224x224 không bảo toàn thứ tự chính xác như trên ảnh tự nhiên.", "Hiệu quả tham số sụt giảm nghiêm trọng: Tỷ lệ độ chính xác trên mỗi triệu tham số giảm từ 19,82 xuống 1,48 điểm phần trăm giữa B0 và B7.", "Lớp bệnh Drusen là nút thắt phân loại: Drusen có F1-score thấp nhất ở toàn bộ biến thể và chiếm 82,2% tổng phương sai sai lệch F1 giữa các lớp (độ khó tăng dần: Normal < CNV < DME < Drusen).", "Khoảng cách train-test không có mối liên hệ có ý nghĩa thống kê với độ chính xác tập test (r = 0,26, p = 0,53)."], "sub_category": "Medical AI", "novelty_score": 60, "business_score": 72, "research_score": 75, "why_it_matters": "Thách thức giả định rằng mô hình càng lớn thì hiệu năng transfer learning càng cao. Trong bài toán nhãn khoa và ảnh y tế, việc ưu tiên mô hình gọn nhẹ như EfficientNet-B1 giúp tiết kiệm tài nguyên tính toán, giảm độ trễ suy luận trên thiết bị CPU/biên mà vẫn đảm bảo độ chính xác vượt trội so với các biến thể khổng lồ.", "developer_score": 80, "importance_score": 68, "possible_use_cases": ["Tích hợp mô hình EfficientNet-B1 vào máy chụp SD-OCT tại phòng khám để hỗ trợ chẩn đoán 4 nhóm bệnh võng mạc với chi phí tính toán thấp.", "Triển khai hệ thống sàng lọc nhãn khoa trên thiết bị biên (edge devices) hoặc máy tính dùng CPU mà không cần GPU chuyên dụng.", "Xây dựng pipeline transfer learning tối ưu cho ảnh y tế: kết hợp tiền xử lý RGB giả lập, đóng băng backbone và fine-tuning từng phần.", "Tập trung thiết kế hàm mất mát hoặc cơ chế tăng cường dữ liệu đặc thù cho nhóm tổn thương Drusen khó phát hiện."], "actionability_score": 78}