本研究评估了大型语言模型在眼科决策中的不确定性，比较了四种模型的准确性和推理能力，发现O1和DeepSeek-R1表现优异，为医疗决策支持提供了重要参考。

本研究探讨了多模态大型语言模型在眼科应用中，尤其是OCT图像分析中的临床复杂性。通过构建高质量数据集，评估了七种MMLMs的诊断准确性，发现不同疾病表现的差异，强调了临床基准的重要性。

本研究解决了眼科医生在诊断中面临的多模态数据不足和隐私问题。提出的精髓点与解耦表征学习（EDRL）策略通过自蒸馏机制改进特征选择和解耦，从而在眼科疾病诊断中实现更强的鲁棒性和可解释性。实验结果显示，EDRL策略在多模态眼科数据集上的表现优于当前最先进的方法。

本研究提出OphthBench基准，评估大型语言模型在中国眼科的应用。通过分析教育、分诊、诊断、治疗和预后五个关键场景，揭示了大型语言模型在临床应用中的不足，并为未来改进提供指导。

近十年前，谷歌与印度和泰国的医院合作，利用AI减少糖尿病视网膜病变导致的失明。AI已支持60多万次筛查，并授权给当地合作伙伴，解决眼科医生短缺。未来十年，计划在资源有限的社区提供600万次AI筛查。AI技术将纳入泰国国家创新计划，支持公共医院筛查。

本文研究了“Ophtha-LLaMA2”和“EyeCLIP”等眼科多模态模型在眼科疾病评估与诊断中的应用。这些模型在准确性和效率上表现优异，具有广泛的临床应用潜力，推动了眼科诊断和医学教育的发展。同时，提出了GMAI-MMBench基准，以评估大型视觉语言模型在医疗中的有效性，指出当前模型仍有改进空间。

本文介绍了多种基于深度学习的眼科图像分割方法，如ReLayNet、pOSAL和MM-UNet，旨在提高视网膜和眼部结构的分割精度。这些方法通过联合损失函数和多任务数据集验证其有效性，并在多个竞赛和数据集上取得了优异成绩，展示了在眼科手术和疾病诊断中的应用潜力。

本研究提出了一种基于卷积神经网络的半监督学习方法，利用光学相干断层扫描（OCT）技术实现视网膜疾病的自动识别，准确率高达99.8%。研究展示了在有限资源下有效检测眼部疾病的潜力，提升了临床诊断水平。

本研究提出FGR-Net框架，结合自编码器和分类器网络，实现糖网膜图像的自动质量评估与可视化解读，实验准确率达到89%，有效辅助眼科医生理解评估结果。

本文介绍了多个眼科疾病诊断模型的研究进展，包括无监督学习框架EyeLearn、预训练模型FLAIR和VisionFM，以及自我监督框架OCT-SelfNet。这些模型结合多模态数据和先进的机器学习技术，显著提高了眼科疾病的检测和诊断能力，具有广泛的临床应用潜力。

本研究针对眼科图像分割中的长期依赖问题，提出了一种名为MM-UNet的混合多层感知器模型，旨在提高分割效果。通过采用多尺度多层感知器模块，该模型能够有效捕捉局部和全局信息。实验结果表明，MM-UNet在眼科图像分割中优于现有的深度分割网络，展示了其潜在的应用价值。

本文探讨了深度学习在眼科领域的应用，特别是在屈光不正、青光眼和糖尿病视网膜病变的预测方面。研究表明，通过分析视网膜底照片，可以有效识别与近视相关的特征，从而提高疾病的早期筛查和诊断准确性。

利用大型预训练语言模型构建 EyeDoctor，通过医生 - 患者角色感知和外部疾病信息的增强知识库，提高眼科咨询的问答精度，在多轮数据集中相对于第二好的模型 ChatGPT，Rouge-1 分数提高了 7.25％，F1 分数提高了 10.16％，突出了医生 - 患者角色的重要性和动态知识库扩展对智能医疗咨询的意义。

OphNet是一个大规模的眼科手术视频数据集，包含2,278个手术视频，涵盖了66种手术类型和102个手术阶段。该数据集提供了详细的注释和顺序信息，有助于手术工作流分析和时间定位任务。数据集已在GitHub上开放获取。

作者带孩子去眼科检查，发现孩子的朋友也有视力问题，决定提前检查。医生称孩子的视力问题在正常范围内，无需干预。作者关注牙齿和身高，希望孩子健康成长。

上海交通大学生成式人工智能研究实验室开源了数学领域的高质量预训练数据集MathPile和商用版本MathPile-Commercial，还有其他热门数学数据集可供下载。此外，还有AI生成的图像数据集、多样化肖像数据集、中文文本分类数据集等。另外，还有关于眼科疾病检测、工作场所绿化水平与健康关联、智能化科学设施构想等的论文案例。

根据《四百万体检人群健康蓝皮书》，眼底异常的检出率连年上升，已成为全球最常见的致盲因素。北京协和医院等单位合作开发了深度学习系统(DLS)，提高了初级眼科医生的诊断一致性约12%，为13种主要眼底疾病的自动检测提供了新方法。研究结果显示，DLS的总体疾病诊断敏感性和特异性分别达到96.6%和81.8%。该研究为初级眼科医生提供了有效的临床方法，但仍需要人类医生的参与。