Para o método de adaptação de domínio baseado em aprendizado profundo para diagnóstico de retinopatia diabética, o modelo de aprendizado por transferência com atenção de domínio difuso proposto neste artigo é composto por dois módulos principais. Primeiro, o módulo de geração de imagens probabilísticas de difusão para remoção de ruído de retinopatia diabética gera amostras ricas e diversificadas do domínio alvo, incentivando o modelo a aprender características mais abrangentes do domínio alvo. Em segundo lugar, foi projetado um módulo de integração de atenção multi-domínios sem fonte, que realiza a integração ponderada de atenção de vários modelos pré-treinados do domínio fonte sem a necessidade de acessar os dados do domínio fonte, alcançando um bom equilíbrio entre características específicas da instância e características consistentes do domínio. Os resultados experimentais mostram que o modelo atingiu 90,66% de acurácia, 87,47% de precisão, 85,41% de sensibilidade, 91,63% de especificidade e 86,42% de F1 score na tarefa de diagnóstico de retinopatia diabética transferível. Além disso, o modelo atingiu 96,75% de acurácia, 99,23% de precisão, 90,47% de sensibilidade, 99,27% de especificidade e 94,65% de F1 score na tarefa de reconhecimento de lesões retinianas normais/anormais. O modelo deste artigo pode realizar diagnósticos eficazes de retinopatia sem acessar dados do domínio fonte e sem rótulos para amostras do domínio alvo.

retinopatia diabética; aprendizado profundo; adaptação multi-domínios sem fonte; aprendizado por transferência com atenção de domínio difuso