提出一种基于集成学习的方法，该方法利用多种视网膜图像处理算法提取的特征，如显微血管瘤、渗出物等部位及黄斑、视盘等解剖结构来筛查糖尿病视网膜病变。该方法在公开的 Messidor 数据库上测试取得了 90% 的敏感性，91% 的特异性和 90% 的准确性及 0.989 的 AUC 指标，表明视网膜图像处理是一种有效的糖尿病视网膜病变筛查方法。

Oct, 2014

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

通过使用通用对抗扰动来评估医学深度神经网络对糖尿病视网膜病变（DR）的检测的脆弱性，并使用通用对抗扰动对已训练模型进行微调以抵御对抗样本，提升了平均 3.41 Cohen-kappa 值和最大 31.92 Cohen-kappa 值的性能。

Dec, 2023

本研究提出了 UATTA-EB 方法，利用深度学习模型分析 Reddit 用户在网络平台上的非结构化数据，精准识别和分类六种心理疾病（抑郁症、焦虑症、双相障碍、注意力缺陷多动障碍（ADHD）、创伤后应激障碍（PTSD）和无疾病），解决了模型可靠性和过度自信的问题，为精准诊断心理疾病提供了新的方法。

Apr, 2023

本研究采用基于两种广泛应用的预训练卷积神经网络（VGG16 和 Inception V3）的集成方法，旨在将糖尿病性视网膜病变（DR）分为五个不同的类别。通过冻结预训练模型中的部分层，使用全局平均池化层将输出特征映射转换为固定长度向量，并将这些向量连接起来形成输入图像的综合表示。在 APTOS 数据集的训练和验证集上对集成模型进行训练，并在测试集上表明该模型对 DR 分类具有 96.4% 的准确性。

Aug, 2023

本文提出一种基于测试时数据扩充的新技术（分别名为 M-ATTA 和 V-ATTA），以提高深度模型的图像分类的不确定性校准，实证结果表明所提出的方法在保持基线分类性能的同时优于现有的校准技术。

Apr, 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

本文介绍了一种新的合奏学习机制，旨在识别受限资源（例如数据、计算）下的视网膜疾病，该机制利用了多个预训练模型的见解，有助于将它们的知识转移到视网膜光学相干断层扫描图像中，提供了一种在处理受限标记数据的情况下建立强大模型的方法，并消除了从头开始学习所需的大量参数的需求。在真实世界数据集上进行的全面实验表明，所提出的方法在识别视网膜光学相干断层扫描图像方面可以实现优越性能，即使在处理非常有限的标记数据集时也是如此。此外，这种方法消除了学习大规模参数的必要性，使其非常适合在资源有限的情景中部署。

Feb, 2024

此研究总结并分析了利用超广角 OCTA 图像分析糖尿病视网膜病变的 DRAC (Diabetic Retinopathy Analysis Challenge) 竞赛。结果表明，数据增强、模型架构和网络的集成对于改善深度学习模型的性能至关重要。

Apr, 2023

糖尿病性视网膜病变的早期检测可以降低疾病风险和严重程度。本文开发了一个完全准确的基于机器学习模型的糖尿病性视网膜病变检测方法，利用迁移学习和数据增强等技术实现了 100% 的准确率、精确度、召回率和 F-1 分数。

Jun, 2023