基于自动化框架的疾病检测辅助医生对眼科疾病的诊断，通过自适应对比度增强和 Gamma 校正提高眼底图像的质量，使用深度学习的 AMDNet23 系统结合卷积神经网络和短期与长期记忆自动检测老年性黄斑变性疾病。研究收集了来自多个来源的数据集，经过质量评估后应用于实验，结果表明该混合深度模型对 AMD 眼底疾病的检测具有优越性能。

Aug, 2023

本研究提出了一种基于卷积神经网络的半监督学习方法，利用光学相干断层扫描成像技术对视网膜疾病进行自动识别，并取得了良好的效果。

Oct, 2016

用多模态视网膜成像和卷积神经网络预测淀粉样蛋白阳性发射计算机断层扫描（AmyloidPET）状态，并通过合成数据预训练以提高性能。

Jun, 2024

针对年龄相关黄斑变性（AMD）的深度学习模型通过多任务学习技术，将基于图像的 AMD 严重程度分级自动分类，并在两个图像数据集上的评估中表现优于当前的最先进模型超过 10%。

Dec, 2018

提出了一种利用非配对的眼底图像增强光学相干断层扫描模型的新方法，用于眼底疾病分类，实验结果证明该方法优于单模态、多模态和最先进的蒸馏方法。

Aug, 2023

我们的研究提出了一种自我监督的强大机器学习框架 OCT-SelfNet，用于使用光学相干断层扫描 (OCT) 图像检测眼部疾病，通过结合多个机构的数据集，采用两阶段训练方法（自我监督预训练和有监督微调），并基于 SwinV2 主干结构的遮罩自编码器解决了实际临床应用部署的问题。广泛的实验表明，我们的方法在所有测试中均获得超过 77% 的 AUC-ROC 性能，而基线模型 Resnet-50 的性能不到 54%。此外，根据 AUC-PR 指标，我们的方法达到了 42% 以上的性能，相比基线模型的 33%，性能提升了至少 10%，这显示了我们方法的潜力和在临床设置中的实用性。

Jan, 2024

通过结合超广角彩色眼底照相和光学相干断层扫描血管造影成像技术，该研究提出了一种新的多模态方法，显著增强了糖尿病视网膜病变的分类性能，有望帮助更准确地早期检测糖尿病视网膜病变，改善患者的临床预后。

Oct, 2023

通过对大规模视网膜光学相干断层扫描图像进行深度学习，我们提出了一种基于对比学习的生物标志物提议系统来加速年龄相关性黄斑变性的生物标志物发现，此系统超越了已建立的临床分级系统所使用的标志物集合，为进一步发现新的预后性生物标志物提供了可能。

Mar, 2024

研究开发了混合三元网络模型算法，通过使用包含基于传统转移学习的 CNN 模型、两阶段 CNN 模型和孪生网络的三个特征组件提取特征，以及集成机器学习算法进行诊断，实现了对 12 种常见和罕见眼病的准确诊断，其平均准确率为 97%，AUC 得分为 0.96。该诊断工具为全球化早期发现常见和罕见眼病提供了稳定、适应性强、经济高效、易用和快速的解决方案。

May, 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