青光眼是全球不可逆盲的主要原因。本研究针对有限的带有最先进的光学相干断层扫描（OCT）3D 视网膜成像数据的标记患者的瓶颈问题，提出两种解决方案。首先，我们开发了一种新型的广义增强半监督学习（SSL）模型，称为伪监督器，以最佳方式利用无标签数据。与最先进的模型相比，所提出的伪监督器通过预测未标记样本的伪标签来优化策略，以提高经验概括能力。我们的伪监督器模型通过进行青光眼检测和进展预测两个临床任务进行评估。进展预测任务以单模态和多模态方式进行评估。我们的伪监督者模型表现出优于最先进 SSL 比较模型的性能。此外，我们的模型在公开可用的 LAG 眼底数据集上也取得了最佳结果。其次，我们引入了哈佛青光眼检测和进展（Harvard-GDP）数据集，这是一个多模态多任务数据集，包括来自 1,000 例患者的 OCT 成像数据，以及青光眼检测和进展的标签。这是一个拥有 3D OCT 成像数据的最大的青光眼检测数据集，也是公开可用的第一个青光眼进展预测数据集。我们提供了详细的性别和种族分析，供有兴趣的研究人员用于公平学习研究。我们的数据集通过几个最先进的有监督的 CNN 和 Transformer 深度学习模型进行了基准测试。数据集和代码可通过 https://ophai.hms.harvard.edu/datasets/harvard-gdp1000 公开获取。

Aug, 2023

利用深度学习模型，该研究探索了青光眼的结构功能关系，从结构性眼部退化中预测功能受损，并且开发出半监督时间序列算法以准确预测青光眼的进展。

Jun, 2024

基于无监督学习方法 'SSVT'，本研究建立了一个可以自动分析无标签眼底图像的方法，通过六个公共数据集和北京同仁医院收集的两个数据集，准确诊断了四种主要眼病，评估准确率高达 97.0%，展示了该无监督学习方法的有效性和在生物医学资源匮乏地区改善全球眼健康的强大应用潜力。

Apr, 2024

该研究使用深度学习技术从长期的医学图像中对年龄相关性黄斑变性和原发性开角型青光眼进行动态预测，取得了显著的成果。

May, 2024

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

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

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

通过自主学习的变分自编码器 (VAE) 在光学相干断层扫描 (OCT) 图像中学习低维表示，并结合参与者的人口统计学和临床数据，使用随机森林 (RF) 分类器来识别未来心血管疾病风险，其性能较 QRISK3 评分更优，证明视网膜 OCT 成像是一种经济高效的非侵入性方法来预测心血管疾病风险。

Mar, 2024

利用 GFlowOut 及底端释出掩模，通过深度学习模型分析眼底图像，改善对眼科疾病的识别和分类，是一种有效且全面适用的方法。

Jan, 2024

通过研究 OHTS 的数据，发现传统深度学习方法可能会对具有代表性的偏见进行无意识的强化，从而导致在诊断青光眼时出现漏诊和误诊，特别是在女性年轻人和黑人老年人群体中。

Jan, 2023