本文提出了一种针对糖尿病患者眼底图像的叠加方法，该方法在空间和时间上完全自动化，并对图像间的颜色变异和相机变化具有鲁棒性，其中包括纵向分析队列公共卫生数据库所有步骤都设计为大约每年进行视网膜检查。该方法在模拟拼贴图和公共卫生数据库的两种图像集上进行了验证，结果优于两种先进的方法。

Jul, 2016

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

本文研究使用深度学习算法通过视网膜底照片准确预测屈光不正，结果显示使用关注图方法可以识别与屈光不正相关的特征，该算法在UK Biobank数据集上的平均绝对误差为0.56 diopters（95% CI: 0.55-0.56），在AREDS数据集上为0.91 diopters（95% CI: 0.89-0.92），因此，在没有自动折射仪的地区，可以使用移动电话获取视网膜底照片来预测屈光不正水平。

Dec, 2017

DeepSeeNet是一种基于深度学习的系统，使用双眼CFP图像来自动分类患者的年龄相关性黄斑变性病情，并通过AREDS简化严重程度评分患者级别，并表现出比视网膜专家更高的分类精度和透明度。

Nov, 2018

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

我们提出了一个使用注意力模块的有效金字塔通道注意力（EPCA）网络，用于基于眼底图像自动检测病理性近视（PM）。在三个数据集上的实验表明，我们的EPCA-Net在检测PM方面优于现有方法。此外，我们尝试了将预训练的自然图像模型适应为PM检测的方法，并通过与传统的微调方法相比较，在具有较少可调参数的情况下取得了有竞争力的性能。

Sep, 2023

超宽视野眼底图像在近视相关并发症的筛查、检测、预测和治疗中取代传统眼底图像，其更广阔的视野范围对高度近视眼非常有优势。球等效度（SE）广泛被用作主要的近视结果测量指标，而眼轴长度（AL）作为一个重要的视觉组成部分越来越受到关注，用于评估近视。我们提出了一种通过高阶张量生物标志物建立多变量反应回归模型的统计框架，用于双变量的回归分类和回归回归任务，具体来说，我们提出了一种通过高斯胞联提高卷积神经网络（CeCNN）框架，通过一个估计自启动卷积神经网络的参数得到两个反应之间的依赖性，并使用由背景CNN产生的胞联似然损失。我们验证了提出的CeCNN在添加了依赖信息到背景模型之后具有更好的预测准确性。这种建模和提出的CeCNN算法不仅适用于超宽视野情境，还可以与ResNet和LeNet等其他骨干网络一起有效地应用。

Nov, 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

高度近视显著增加了不可逆视力丧失的风险。为提高临床实践中视野评估的普适性，本研究提出了一种新颖、参数高效的框架，通过特征精化和适应性设计，有效地减小领域差异，并在内部和外部验证中取得了显著的成果。

Jul, 2024

该研究解决了儿童高度近视阶段视网膜血管结构变化的问题，提出了一种结合卷积神经网络的自动化软件进行分析。研究发现，在不同近视组中，视网膜血管的主要角度和分叉边缘系数显著变化，为高度近视的早期诊断和干预提供了重要的数据支持。

Sep, 2024