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。

本文研究了基础模型在眼科领域的有效性，比较了RETFound与DINOv2在眼病检测和疾病预测中的表现。结果表明，DINOv2在糖尿病视网膜病检测中优于RETFound，而RETFound在心力衰竭预测中表现更佳，强调了选择合适模型的重要性。

本研究提出了一种新方法CLARA，旨在解决眼科临床中的过度转诊和等待问题，提升多语言大模型在眼科问答中的表现，减少语言偏见，促进公平医疗。

本研究通过数据驱动方法分析中国智能医疗设备，发现呼吸科、眼科/内分泌科和骨科是主要应用领域，表明监管数据自动化分析在推动AI医疗技术中的潜力。

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。

本研究提出了一种创新的眼科手术中光学相干断层扫描图像分割方法，结合统计斑点模式和病理学先验知识，实现自动分割。通过拟合统计分布，区分眼部结构和手术器械，并结合统计参数、物理分析和深度学习，提高分割准确性。研究表明，使用伽马分布参数能有效提升模型对新数据的推理能力。

本文介绍了一种新合奏学习机制，利用多个预训练模型识别视网膜疾病。该方法将模型知识应用于视网膜光学相干断层扫描图像，适合有限标记数据。实验显示，即使数据有限，该方法也能表现出色，适合资源有限的情况。

我们提出了一种自我监督的机器学习框架OCT-SelfNet，用于眼部疾病检测。通过多个机构的数据集和两阶段训练方法，我们的方法在测试中获得了超过77%的AUC-ROC性能，相比基线模型提升了至少10%。

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。

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。

该研究探讨了GPT-4在教育对话分析中的应用，发现使用GPT-4能够节省时间并与人工编码者一致。这凸显了LLM在教学评估和促进方面的潜力。