提出基于健康样本作为参考来识别大规模医学影像数据中的异常区域，并使用深度卷积自编码器来进行训练和病理区域的分类，结果表明相比于标准嵌入方法，学习特征在分类任务中表现更好。

Dec, 2016

本研究提出一种卷积神经网络架构，能够成功区分不同视网膜层的退化以及其潜在的疾病原因，准确率达到99.8%，100%。此外，这种架构可以实时预测视网膜疾病，同时表现优于人类诊断医师。

Oct, 2019

本论文提出了一种新的深度学习框架ReLaX，用于解释性和准确的视网膜病理分类，通过热图和OCT分割模型结合以确定每个视网膜层的重要性，并产生丰富的定性和定量模型解释，该模型结合了在精度和可解释性方面的优势，提高了患者的视网膜疾病诊断水平。

Sep, 2021

提出了一种利用非配对的眼底图像增强光学相干断层扫描模型的新方法，用于眼底疾病分类，实验结果证明该方法优于单模态、多模态和最先进的蒸馏方法。

Aug, 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

我们的研究提出了一种自我监督的强大机器学习框架OCT-SelfNet，用于使用光学相干断层扫描(OCT)图像检测眼部疾病，通过结合多个机构的数据集，采用两阶段训练方法（自我监督预训练和有监督微调），并基于SwinV2主干结构的遮罩自编码器解决了实际临床应用部署的问题。广泛的实验表明，我们的方法在所有测试中均获得超过77%的AUC-ROC性能，而基线模型Resnet-50的性能不到54%。此外，根据AUC-PR指标，我们的方法达到了42%以上的性能，相比基线模型的33%，性能提升了至少10%，这显示了我们方法的潜力和在临床设置中的实用性。

Jan, 2024

本文介绍了一种新的合奏学习机制，旨在识别受限资源（例如数据、计算）下的视网膜疾病，该机制利用了多个预训练模型的见解，有助于将它们的知识转移到视网膜光学相干断层扫描图像中，提供了一种在处理受限标记数据的情况下建立强大模型的方法，并消除了从头开始学习所需的大量参数的需求。在真实世界数据集上进行的全面实验表明，所提出的方法在识别视网膜光学相干断层扫描图像方面可以实现优越性能，即使在处理非常有限的标记数据集时也是如此。此外，这种方法消除了学习大规模参数的必要性，使其非常适合在资源有限的情景中部署。

Feb, 2024

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

通过自监督学习和迁移学习在治疗性视网膜病分类中评估了四个预训练的自监督学习模型和两个迁移学习模型，使用小规模的光学相干断层扫描（OCT）图像，结果表明自监督学习模型在平衡和不平衡的训练情景下表现出卓越性能，并显示MoCo-v2方案的自监督学习模型在不平衡情景下具有一致的出色表现。

Apr, 2024

本研究探讨了使用遮罩图像建模来学习视网膜OCT图像的表示的有效性。我们利用遮罩自编码器（MAE）这一简单且可扩展的自监督学习方法，在真实世界的临床环境中使用来自41K患者的700K OCT图像进行训练，得出了有力且通用的OCT图像表示。我们还对OCT模型进行了首次广泛评估，通过六个具有挑战性的下游任务，完全微调后的模型表现出了良好的性能，并可以作为轻量级适配器的多功能冻结特征提取器。此外，我们提出了一种扩展的MAE预训练方法，将OCT与辅助模态——即红外眼底图像相结合，并为两者学习一个联合模型。我们通过多模态下游应用的实验证明了我们的方法提高了性能。我们的实验利用了大多数公开可用的OCT数据集，从而为未来的比较工作提供了可能。我们的代码和模型权重公开可用于此https URL。

May, 2024