本文提出了 RETINA 基准测试，用于评估贝叶斯深度学习方法的可靠性和在安全关键场景下的预测不确定性量化。作者使用两个公开数据集设计了一组自动诊断任务，要求对高分辨率人类视网膜图像进行可靠的预测不确定性量化，以此来考察现有的贝叶斯深度学习方法在现实世界任务中的表现。实现结果表明，所提出的 RETINA 基准测试是可行的，有望在配备可靠的预测不确定性工具的深度学习应用中发挥重要作用。

Nov, 2022

利用人工智能技术研究人眼的方法及应用，通过计算机视野和青光眼诊断来收集数据，利用软件工具分析图像，通过 Tobii Pro Glasses 3 设备和虚拟现实视频来研究眼球运动和焦点，使用数学建模研究眼瞳运动的相关性，为医学中的青光眼患者评估病程和恶化，以及研究注意力机制提供了研究方法。

Apr, 2024

利用深度集成卷积神经网络分析医学图像，针对糖尿病性视网膜病变的 5 类 PIRC 分类问题，提出了一种 UATTA-ENS 不确定性感知测试时间增强集成技术，以减少诊断风险。

Nov, 2022

提出了一种新的概率图模型，用于联合建模能力测试和众包设置中的问题难度、参与者能力和正确答案。并基于期望模型熵的贪婪最小化制定了一种主动式学习 / 自适应测试方案，通过根据以前的答案动态选择下一个问题来实现更为有效的资源分配。实验结果表明，我们的模型能够推断所需参数，并证明自适应测试方案需要较少的问题来获得与静态测试场景相同的准确性。

Jun, 2012

使用时间感知的长短期记忆网络，通过历史记录来定量预测成年人的球面等效度，从而更好地识别近视的进展。

Sep, 2022

我们使用不确定性估计的基础模型来检测光学相干断层扫描（OCT）上的 11 种视网膜病变，模型在内部测试集上获得了 96.76% 的 F1 得分，在阈值策略下进一步提高至 98.44%；在其他 OCT 设备获取的外部测试集上，模型的准确率为 88.75% 和 92.73%，我们的模型在真实世界中的临床开放环境中提供了可信赖的自动视网膜异常检测方法。

Jun, 2024

本研究提出了一个基于不确定性的开放集模型，可用于正确识别视网膜异常，该模型还可以计算不确定性得分以表达其自信度。使用阈值策略的 UIOS 模型在三个测试集上的 F1 得分分别为 99.55％，97.01％和 91.91％，比标准 AI 模型的 F1 得分 92.20％，80.69％和 64.74％要高，能够有效解决现实场景中 AI 的主要局限性之一。

Apr, 2023

通过对过去十年的研究进行系统调查，本文提供了一个关于导致视觉障碍或失明的视网膜疾病的体系化调研，强调了早期检测对有效治疗的重要性。它涵盖了检测视网膜疾病的临床和自动化方法，并基于对现有文献的批判性分析确定了未来的研究方向。这一综合研究以不同模态的临床和自动化检测方法为基础，具有独特的范围。此外，该调查对于对数字性视网膜病感兴趣的研究人员，将作为一份有益的指南。

Nov, 2023

该研究通过调查最近的研究，使用眼底图像、光学相干断层扫描和视野图像等方法基于人工智能的青光眼诊断，特别关注利用深度学习的方法。研究提供了最新的分类法，并包含可用源代码的链接，以提高研究方法的可重复性。通过对广泛使用的公共数据集进行严格的基准测试，揭示了在普适性、不确定性估计和多模态集成方面的性能差距。此外，调查展示了关键数据集和限制，如规模、标签不一致性和偏见。我们描述了未来研究的开放性挑战并详细阐述了有前景的方向。此调查旨在对希望将进展转化为实践的人工智能研究人员以及希望利用最新人工智能成果改善临床工作流程和诊断的眼科医生有所帮助。

Jul, 2023

对于集成预测不确定性以提高深度学习患者安全性的图像分类器，我们评估了两种不同的方法。我们发现，这些方法使用光学相干断层扫描的数据集训练，能够得出更可靠的结果，有望提高患者安全性。

Aug, 2019