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

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

针对年龄相关黄斑变性（AMD）的深度学习模型通过多任务学习技术，将基于图像的AMD严重程度分级自动分类，并在两个图像数据集上的评估中表现优于当前的最先进模型超过10%。

Dec, 2018

本研究提出一种通过疾病特定特征表征作为新颖架构，在监督编码疾病模型和无监督方式生成注意力图之间同时利用视网膜亚空间变形的理解以提高视网膜疾病分类网络精度和鲁棒性。实验结果表明所提出的联合网络可以显著提高视网膜疾病分类网络的准确性和鲁棒性。

May, 2020

本研究旨在创建和评估一个人工智能深度学习平台(ORAiCLE)，该平台仅使用视网膜底部图像即可预测个体在5年内的心血管疾病(CVD)风险以及构成该风险的组成部分的相关贡献。使用 Framingham公式计算风险，与ORAiCLE相比，其在高风险人群中预测心血管事件的准确性最高可提高12％。因此，学习者认为这种基于人工智能的 CVD风险算法有望使患者更精确，更实惠，更易于得到诊断。

Jul, 2022

自动检测和量化与AMD相关的视网膜萎缩变化的同时列基于方法准确且超过独立分类方法。

Jul, 2023

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

本研究针对年龄相关的黄斑变性（AMD）相关的基因多态性进行分析，提出了一种新方法，该方法结合视网膜和光学相干断层扫描（OCT）图像及医疗记录，预测AMD的多种易感基因。实验结果表明，该方法通过多模态信息整合能够有效预测易感基因，准确率超过80%。

Sep, 2024

本研究解决了从医学影像预测未来疾病进展风险的难题，特别是在患者异质性和潜在影像生物标志物方面的挑战。文章提出了一种新颖的深度学习方法，通过平行超平面的联合预测，精确估计晚期干性年龄相关性黄斑变性（dAMD）的发作风险。结果显示，在不同扫描仪获取的两大数据集上，模型在6、12和24个月的预测间隔内取得了平均AUROC值达0.82和0.83，表明该方法具有良好的预测能力和应用潜力。

Sep, 2024

本文针对医疗图像中患者异质性及成像生物标志物的不足，提出一种新型深度学习方法，以预测晚期干性年龄相关性黄斑变性（dAMD）的发作风险。该方法通过参数化偏置项为时间函数，使用平行超平面生成风险评分，确保预测一致性，并在不同扫描仪的数据集上展现良好性能，AUROC达到0.82和0.83。

Sep, 2024