本文提出了利用“热图”显示出影响影像级别的预测性诊断的像素，同时应用于90,000张视网膜照片和110,000张照片的数据集中，与其他热图检测算法相比，表现出更好的检测性能。

Oct, 2016

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

本文总结了DFUC2020举办的比赛结果，比较了各获胜团队所提出的基于深度学习的算法，主要采用 Faster R-CNN 算法实现对糖尿病足溃疡的识别和检测。

Oct, 2020

使用非侵入式的光学光容积描记术（PPG）结合机器学习方法，通过对患者的PPG信号和元数据进行训练和分类，成功地开发了一种远程、非侵入式和连续测量的糖尿病检测装置。

Aug, 2023

糖尿病性视网膜病变（DR）是全球致盲的重要原因，早期检测和有效治疗的迫切需求引起了关注。研究中提出了一种针对DR检测的新型半监督图学习（SSGL）算法，充分利用标记和未标记数据之间的关系以提高准确性。该研究通过研究数据增强和预处理技术来解决图像质量和特征变化的挑战，并探索了图像裁剪、调整大小、对比度调整、归一化和数据增强等技术来优化特征提取和改善视网膜图像的整体质量。此外，除了检测和诊断，本研究还深入研究了将机器学习算法应用于预测DR发展的风险或疾病进展的可能性。使用包含人口信息、病史和视网膜图像的全面患者数据生成个体化风险评分。该提出的半监督图学习算法在两个公开数据集上进行了严格评估，并与现有方法进行了基准测试。结果表明，在分类准确性、特异性和灵敏度方面取得了显著的改进，同时表现出对噪声和异常值的鲁棒性。值得注意的是，该算法解决了医学图像分析中常见的不平衡数据集的挑战，进一步增强了其实际适用性。

Sep, 2023

通过高质量的DR像素级注释数据集（TJDR），本文研究了用于糖尿病视网膜病变（DR）分级的人工智能的有效性，以及通过准确的病变分割增强DR分级解释性的研究进展，而这一研究进展面临着像素级注释DR数据集稀缺的严重阻碍。

Dec, 2023

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

本文提出基于自监督学习（SSL）的预训练策略，针对医学图像的非典型性，开发了一种基于 Transformer 的纵向遮蔽自编码器 (MAE)，研究了时间感知的位置嵌入和疾病进展感知的遮蔽策略，通过评估在糖尿病视网膜病变（DR）筛查数据集上的预训练权重，证明了这些扩展显著提高深度分类模型的预测能力。

Mar, 2024

美国有超过三分之一的成年人是糖尿病前期患者，其中80％不知晓自己的状况。为了预防2型糖尿病和相关心脏疾病，需要更好的血糖监测。现有的可穿戴式血糖监测仪在小型数据集训练方面存在局限性，因为收集大量的血糖数据通常代价高且不现实。我们的研究采用改进的频域改变重现图机器学习方法，即使在有限数据集下，也能提高从可穿戴设备数据中预测血糖水平的准确性。该技术将先进的信号处理与机器学习相结合，提取更有意义的特征。我们使用历史数据对我们的方法进行了测试，结果显示我们的方法在预测实时间质血糖水平方面超过了当前的87％准确性基准。

Jun, 2024

本研究针对现有医学区域检测中缺乏同时满足实时性和准确性的算法问题，提出了一种新模型LSM-YOLO。通过轻量适应性特征提取和多路径分流特征匹配，该模型显著提高了医学图像中感兴趣区域的检测率，尤其在胰腺肿瘤、血细胞和脑肿瘤的检测中表现出色，验证了其在医学自动检测中的有效性。

Aug, 2024