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

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

本文提出了RETINA基准测试，用于评估贝叶斯深度学习方法的可靠性和在安全关键场景下的预测不确定性量化。作者使用两个公开数据集设计了一组自动诊断任务，要求对高分辨率人类视网膜图像进行可靠的预测不确定性量化，以此来考察现有的贝叶斯深度学习方法在现实世界任务中的表现。实现结果表明，所提出的RETINA基准测试是可行的，有望在配备可靠的预测不确定性工具的深度学习应用中发挥重要作用。

Nov, 2022

本文提出了一种基于深度学习和自监督学习方法的新型算法，能够自动预测中间期黄斑部病变眼对未来6个月内是否会发展为nAMD进行转化的风险，并取得了较好的预测效果，这种自动化的预测方法可以帮助及时治疗和个体化AMD管理。

Apr, 2023

在医学影像领域，3D深度学习模型在构建疾病进展预测模型方面起着重要作用。然而，这些模型的规模在计算资源和数据需求方面带来了重大挑战。为了解决这些问题，2.5D方法提供了一种有效的利用3D体积数据的方式。结合2D和3D技术为优化性能并降低内存需求提供了一条有前景的途径。在本文中，我们探索基于卷积神经网络（CNNs），长短期记忆（LSTM）和Transformer的2.5D架构。此外，利用近期的2D非对比性预训练方法，我们进一步提高了2.5D技术的性能和数据效率。我们在两个大型纵向光学相干断层扫描（OCT）数据集上展示了架构和相关预训练在预测湿性年龄相关性黄斑变性（AMD）的六个月内进展方面的有效性。

Jul, 2023

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

提出一种基于非对比学习的新的纵向自监督学习方法3DTINC，利用特定于OCT的数据增强来学习3D光学相干断层扫描（OCT）体积的扰动不变特征，实验证明使用这种方法学习到的时间信息对于预测视网膜疾病（如年龄相关性黄斑变性（AMD））的进展至关重要，该方法对于从纵向体积扫描中预测疾病进展有着实际意义。

Dec, 2023

该研究使用深度学习技术从长期的医学图像中对年龄相关性黄斑变性和原发性开角型青光眼进行动态预测，取得了显著的成果。

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