应用人工智能与深度学习技术结合视网膜成像，实现心血管疾病早期检测和诊断的研究概览。

Nov, 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

描述了一种包括眼科学图像的处理和分析的自动糖尿病视网膜病变诊断方法，使用形态学算法来识别视盘和特征病变，通过神经网络和深度学习算法对眼科图像进行分析，提高疾病早期检测的效率。

Dec, 2023

本综述分析了 40 项使用人工智能模型（主要是机器学习模型）预测 2 型糖尿病（T2DM）风险的研究，结果显示单模态和多模态模型表现良好，但是外部验证和新型生物标志的应用不足。

May, 2023

应用人工智能技术于医疗市场在及时诊断类似糖尿病视网膜病变这类悄无声息的疾病方面引发了日益关注，我们通过提出一种新型的卷积神经网络模型，借助眼底图像作为输入，可以识别到糖尿病视网膜病变的严重程度，并通过卷积层对微小动脉瘤、棉絮斑、渗出物和出血等四种已知视网膜病变特征进行分类，能够提供准确的诊断结果并且不需要额外用户输入，我们提供了初步结果表明灵敏度为 97% 准确性为 71%，我们的贡献在于提供了一种可解释性更强且与更复杂模型具有相似准确性的模型，我们的模型推动了糖尿病视网膜病变检测领域的发展，是向以人工智能为重点的医学诊断迈进的重要一步。

Oct, 2023

基于 89 个原始研究的综合分析，我们得出结论，传统的 ROP 诊断方法存在主观性和手动分析的问题，导致临床决策不一致。人工智能在改善 ROP 管理方面有巨大的潜力。本综述研究了人工智能在 ROP 检测、分类、诊断和预后方面的潜力。

Feb, 2024

提出一种基于物联网边缘 - 人工智能 - 区块链系统的糖尿病预测模型，通过比较实验结果表明，与逻辑回归和支持向量机等现有机器学习方法相比，该模型使用随机森林算法平均预测精度提高了 4.57％，但执行时间较长。

Nov, 2022

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

利用智能手机实现离线自动对糖尿病性视网膜病变进行检测和分类的方法，结合 Inception 卷积神经网络和二分决策树分类器的集成分类器。

Apr, 2020

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