通过深度学习实现自动化视网膜图像分析和医疗报告生成

基于健康样本识别医学影像数据中的异常区域，使用深度卷积自编码器进行训练和分类，表现优于标准嵌入方法。

设计混合模型结合支持向量机和深度神经网络，实现视网膜疾病的89.73%自动诊断准确率，性能与专业眼科医生相当。

评估13种算法可解释性方法，得出Taylor系列展开是视网膜OCT诊断中最合适的方法，增强深度学习模型的透明度。

提出基于人工智能的视网膜疾病治疗方案，包含深度神经网络模型和临床描述生成器，显著提高诊断效率和准确性。

新深度学习框架ReLaX用于视网膜病理分类，结合热图和OCT分割模型，提升诊断的准确性和可解释性。

自动视觉解释方法生成与任务相关的假设，利用专业知识训练分类器，展示多项预测任务的有效性。

系统调查过去十年视网膜疾病研究，强调早期检测的重要性，并确定未来研究方向。

构建伦理基础的语言-图像模型VisionCLIP，进行视网膜图像分析，取得竞争性能。

提出新型深度学习架构M3T，生成精确医学描述，在DeepEyeNet数据集上显著提高性能。