本研究提出了一种基于混合CNN-Transformer集成架构的视网膜疾病诊断系统，能够通过分析基金图像准确分类20种疾病。C-Tran集成模型得分为0.9166，显著高于基线得分0.9，为医疗资源匮乏地区提供了重要解决方案。

RetinalGPT是一种基于大型视觉语言模型的视网膜临床对话助手，旨在改善视网膜图像解析的不足。通过构建大型数据集和创新的数据处理管道，RetinalGPT在视网膜疾病诊断中超越传统模型，推动可解释性临床研究的发展。

本研究提出了一种新颖的“OCT增强视网膜疾病识别”方法，利用未配对的多模态数据进行训练。通过OCT辅助概念蒸馏方法（OCT-CoDA），有效提取OCT图像中的疾病知识，显著提升诊断性能，展现良好的临床应用潜力。

本研究开发了一种基于深度学习和卷积神经网络的低成本自动诊断工具，准确率达到90%。该工具能够有效诊断多种疾病，并在视网膜疾病诊断中应用，强调透明性和可解释性对提高诊断准确性的重要性。

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。

本文通过对过去十年的研究进行系统调查，强调了早期检测视网膜疾病的重要性。调查涵盖了临床和自动化方法，并确定了未来的研究方向。

本文介绍了一种新的合奏学习机制，利用多个预训练模型的见解，识别受限资源下的视网膜疾病。实验证明该方法在处理受限标记数据时具有优越性能，适合在资源有限的情景中使用。