В исследовании представлена интерпретируемая система классификации заболеваний сетчатки на основе данных оптической когерентной томографии (ОКТ). Авторы разработали фреймворк, который использует четыре анатомически ориентированных слоя сетчатки, сочетая адаптивную сегментацию и целевой инжиниринг признаков для выявления нормы, неоваскулярной мембраны (CNV), диабетического макулярного отека (DME) и друз. Методология включает использование статистических, производных, текстурных (GLCM) и связанных с жидкостью дескрипторов, при этом наиболее информативные признаки были сосредоточены во 2-м и 4-м слоях. Итоговая нейросетевая модель показала исключительную точность: accuracy составила 98,17%, чувствительность — 97,88%, специфичность — 99,38%, а показатель AUC достиг 0,9985. Система отличается высокой вычислительной эффективностью: время обучения составило 2216,3 секунды, а скорость предсказания достигает 160 000 наблюдений в секунду при сверхкомпактном размере модели около 11 кБ. Данный подход предлагает практичную и прозрачную альтернативу «черным ящикам» глубокого обучения, обеспечивая высокую точность и интерпретируемость результатов для клинической практики.