通过使用深度学习技术在 284,335 个患者的视网膜底部图像数据和 12,026 和 999 个独立数据集上进行训练，我们预测了视网膜图像中以前未被认为存在或可以量化的心血管风险因素，例如年龄（在 3.26 岁内），性别（0.97 AUC），吸烟状况（0.71 AUC），HbA1c（在 1.39％内），收缩压（在 11.23mmHg 内），以及主要不良心脏事件（0.70 AUC），这为进一步的研究开辟了新的途径。

Aug, 2017

DeepSeeNet 是一种基于深度学习的系统，使用双眼 CFP 图像来自动分类患者的年龄相关性黄斑变性病情，并通过 AREDS 简化严重程度评分患者级别，并表现出比视网膜专家更高的分类精度和透明度。

Nov, 2018

通过引入新颖的人群模型和基于距离相关性的解缠结损失函数，我们成功实现了视网膜底图像的控制性和高度逼真的生成，并揭示了患者属性和技术混杂因素在图像生成中的复杂关系。

Feb, 2024

这项研究探讨了糖尿病视网膜病变（DR）这个潜在导致失明的糖尿病严重并发症。利用卷积神经网络（CNNs）进行迁移学习的提出的方法，通过一张眼底照片实现自动 DR 检测，在 APTOS 2019 获盲视检测竞赛中取得了高达 0.92546 的二次加权 Kappa 分数。研究回顾了关于 DR 检测的现有文献，从经典计算机视觉方法到深度学习方法，特别关注 CNNs。它发现了研究中的空白，强调了在整合预训练的大型语言模型和分割图像输入以生成建议和了解网络应用环境中的动态交互方面的不足。目标包括制定全面的 DR 检测方法、探索模型整合、通过竞赛排名评估性能、在 DR 检测方法方面做出显著贡献，并确定研究中的空白。该方法涉及数据预处理、数据增强以及使用 U-Net 神经网络架构进行分割。U-Net 模型有效地分割视网膜结构，包括血管、硬性和软性渗出物、出血、微血管瘤和眼盘。在 Jaccard 系数、F1 得分、召回率、精确率和准确度方面的高评价分数凸显了该模型在视网膜病理评估中提升诊断能力的潜力。这项研究的成果有望通过及时诊断和干预来改善糖尿病视网膜病变患者的预后，对医学图像分析领域做出重要贡献。

Jan, 2024

验证了一种商用的深度学习系统在混合眼部疾病的彩色眼底图像中同时检测糖尿病视网膜病变和年龄相关性黄斑变性的性能，结果表明该系统表现与人类专家相当，可以成为眼科专家的快速可靠支持。

Mar, 2019

本研究旨在开发一个增强型深度学习模型，用于诊断糖尿病视网膜病变，从而实现早期的 DR 识别和病变的检测。该模型将从视网膜图像中检测出各种病变，首先从视网膜底部图像中提取特征并进行分类，然后使用 EDLM 进行降维，并使用随机梯度下降优化器对分类和特征提取过程进行优化。在 KAG GLE 数据集上对 EDLM 的有效性进行了评估，并与 VGG16、VGG19、RESNET18、RESNET34 和 RESNET50 进行了比较。

May, 2023

本文介绍了一种深度学习方法，用于使用单个眼底视网膜图像检测和分级糖尿病视网膜病变，通过迁移学习利用两个先进的预训练模型作为特征提取器并在新数据集上进行微调，该方法在 APTOS 2019 数据集上表现出色，可用作可靠的筛查和分级工具，可增强临床决策和患者护理的潜力。

Aug, 2023

本研究提出了一种结合深度学习和手工特征的方法用于红色病变检测，通过使用 ensemble vector of descriptors 融合两者可显著提高检测效果。这种方法在 DIARETDB1、e-ophtha 和 MESSIDOR 数据库中表现最好，并且已有开源实现。

Jun, 2017

我们提出了一个通用的无监督机器学习框架，可以处理不同的未标记的眼底图像，达到了超过现有监督方法的 AUC，并且甚至超过了单个人类专家的表现。此外，我们的模型在来自不同地区、种族和多台相机或设备的异构图像源或质量的各种数据集上都适应良好。我们的方法提供了一个无需标签的通用框架来诊断眼底疾病，这可能有利于早期筛查视力受损风险的远程医疗计划。

Apr, 2024

该研究提出了一种基于卷积神经网络和预训练深度学习模型的计算机辅助诊断系统，用于自动将视网膜图像分类为正常、轻度、中度、重度和增殖性糖尿病视网膜病变。实验结果表明，CNN、MobileNet、VGG-16、InceptionV3 和 InceptionResNetV2 模型的 AUC 值分别为 0.50、0.70、0.53、0.63 和 0.69。

Mar, 2024