通过机器学习方法分析血清代谢物对糖尿病肾病（DN）的影响，预测 DN 的患病率。使用 Least absolute shrinkage and selection operator（LASSO）回归模型和 10-fold 交叉验证选择了最佳特征，通过 AUC-ROC 曲线、决策曲线和校准曲线比较了四种机器学习算法。使用 Shapley Additive explanations（SHAP）方法量化了最佳预测模型中的特征重要性和交互效应。XGBoost 模型在筛选 DN 方面表现最佳，AUC 值最高为 0.966，且相比其他模型具有更多的临床净收益和更好的拟合度。此外，血清代谢物与糖尿病持续时间之间存在显著的相互作用。通过 XGBoost 算法开发了用于筛选 DN 的预测模型，C2、C5DC、Tyr、Ser、Met、C24、C4DC 和 Cys 在模型中具有重要贡献，有可能成为 DN 的生物标志物。

Sep, 2023

通过识别普通眼病并进行眼部检查，本研究使用卷积神经网络和迁移学习区分正常眼睛和患有糖尿病视网膜病变、白内障或青光眼的眼睛，通过迁移学习的多分类方法，实现了 94% 的高准确率，而传统的卷积神经网络则达到了 84% 的准确率。

Jul, 2023

设计了一个混合模型，结合了支持向量机和深度神经网络，使用一个包含 32 种视网膜疾病类型的新临床视网膜标签库 EyeNet，实现了对视网膜疾病的 89.73% 的自动临床诊断准确率，并且该模型的性能与专业的眼科医生的水平相当。

Jun, 2018

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

糖尿病性眼病是全球失明的主要原因之一。从糖尿病性眼病的临床文本中提取证据，推断相关属性，以监测疾病发展并避免失明，这些任务并不需要基于临床数据预训练的语言模型，强调了不将临床语言数据作为单一的同质领域的重要性。

Nov, 2023

提出了一种利用机器学习和深度学习技术进行眼部疾病预测的端到端网络应用，通过对患者的 OCT 扫描图像进行分割和分类，实现眼部疾病的高效检测，对早期发现和及时干预具有重要意义。

Nov, 2023

评估了 4 种生物标志物选择方法和 4 种不同的机器学习分类器，发现当允许 3 个和 10 个生物标志物时，现代方法在性能上优于以前报告的逻辑回归。在特异性固定为 0.9 的情况下，机器学习方法的灵敏度为 0.240（3 个生物标志物）和 0.520（10 个生物标志物），而标准逻辑回归的灵敏度为 0.000（3 个生物标志物）和 0.040（10 个生物标志物）。还注意到，在允许较少的生物标志物时，基于因果关系的生物标志物选择方法表现最好，而在允许更多生物标志物时，单变量特征选择方法表现最好。

May, 2024

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

本篇研究通过运用三维摄像来追踪眼表面，并利用 CNN 架构估算眼球运动，解决了眼表面分析在光源移动和透明眼组织等问题上的难点，从而提高了对干眼症的有效诊断。

Sep, 2022

该研究主要使用机器学习技术，从糖尿病患者的诊断医疗数据中提取知识，探索与疾病相关的各种风险因素，并使用四种流行的机器学习算法来预测糖尿病患者，结果表明 C4.5 决策树比其他机器学习技术具有更高的准确性。

Jan, 2019