本研究利用深度学习技术分析视网膜图像，以预测心血管风险因素和屈光不正。研究表明，ResNet101模型的准确率最高，达到94.17%；而提出的UNet-SVE-VGG-MLP模型在视网膜疾病分类中表现优异，准确率高达99.96%。该方法为眼部疾病的早期诊断提供了新途径。

本文探讨了深度学习方法在眼部疾病检测中的应用，包括卷积神经网络、深度自编码器和自我监督学习。这些方法在视网膜疾病分类和心血管疾病风险预测中表现优异，准确率高达99.8%。新提出的OCT-SelfNet框架在有限数据下也能实现良好性能，适合临床应用。

我们提出了一种自我监督的机器学习框架OCT-SelfNet，用于检测眼部疾病。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%。