رتینوپاتی دیابتی، به‌عنوان یکی از شایع‌ترین عوارض دیابت، در مراحل اولیه با علائمی در شبکیه چشم مشهود می‌شود و از مهم‌ترین عوامل موجب نابینایی است. تشخیص زودرس رتینوپاتی از اهمیت بالایی برخوردار است زیرا به درمان سریع آن و پیشگیری از پیشرفت و ناپایداری‌های مانند تاری دید و کوری کمک می‌کند. این پژوهش یک روش یادگیری عمیق برای تشخیص و درجه‌بندی مراحل رتینوپاتی دیابتی با استفاده از تصاویر شبکیه (فوندوس) ارائه می‌دهد. مدل ما از شبکه عصبی کانولوشنی عمیق بانام ConvNeXtBase استفاده می‌کند که از پیش آموزش‌دیده و به‌روز است تا ویژگی‌های موردنیاز را استخراج کند و آن‌ها را بر روی مجموعه داده جدید، بزرگ و ادغام‌شده، شامل مجموعه APTOS 2019 که از منابع عمومی در دسترس است، به‌دقت تنظیم کند. این مدل نه‌تنها در تشخیص و طبقه‌بندی مراحل رتینوپاتی دیابتی بر روی مجموعه داده APTOS 2019 عملکرد بسیار خوبی داشته است بلکه از نتایج بهتری نسبت به روش‌های پیشین برخوردار بوده است. روش پیشنهادی به‌عنوان یک ابزار قابل‌اعتماد برای غربالگری و درجه‌بندی مراحل رتینوپاتی دیابتی عمل کرده و امکان بهبود تصمیم‌گیری‌های بالینی و مراقبت از بیماران را فراهم می‌آورد. این پژوهش به بررسی دقیق دسته‌بندی تصاویر به پنج کلاس می‌پردازد که در میان دسته‌بندی‌های دیگر این مسئله مشکل‌ترین و چالش‌برانگیزترین می‌باشد. در پایان، عملکرد روش پیشنهادی بر روی 20% از مجموعه داده APTOS مورد ارزیابی قرار گرفت و نتایج آن نشان داد که روش ما، با بهره‌گیری از یک مجموعه داده بزرگ و تکنیک‌های پیشرفته تنظیم دقیق، عملکرد برتری نسبت به روش‌های موجود در ادبیات نشان داده است. نتایج امیدوارکننده نشان می‌دهد که مدل ما می‌تواند به‌عنوان یک ابزار قابل‌اعتماد برای تصمیم‌گیری‌های بالینی، به چشم‌پزشکان در تشخیص دقیق و درجه‌بندی رتینوپاتی دیابتی کمک کند.
