该研究提出了一种使用时间感知神经常微分方程（NODE）分析疾病进展的新框架，通过将NODE和自监督学习（SSL）结合，提供了显著的性能改进。该策略在糖尿病视网膜病变进展预测中展示了有效性，并取得了统计显著的改进。此外，该框架还解决了时间感知建模中的挑战，促进了NODE的稳定训练。

该研究提出了一种使用时间感知神经常微分方程（NODE）分析疾病进展的新框架，通过自监督学习中的“时间感知头”利用时间信息进行数据增强，将NODE和SSL结合，提供了显著的性能改进。该策略在糖尿病视网膜病变进展预测中取得了统计显著的AUC和Kappa指标改进，突显了使用SSL启发式方法进行预训练的效果。此外，该框架促进了NODE的稳定训练，取得了突破。