XiaoMi-AI文件搜索系统
World File Search System视网膜
糖尿病性视网膜病中的眼部微血管并发症
摘要引入糖尿病性视网膜病（DR）是工人年龄成年人可预防失明的主要原因，主要由慢性高血糖的眼微血管并发症驱动。理解眼睛和疾病进展之间的微血管变化之间的复杂关系带来了挑战，假设线性或后勤关系的传统方法可能无法充分捕获这些变化与疾病进展之间的复杂相互作用。因此，这项研究的目的是通过实施非参数机器学习方法来评估糖尿病（DM）和非增殖DR的微血管受累。研究设计和方法我们进行了一项回顾性队列研究，其中包括从健康组（196眼）收集的光学相干断层扫描（OCTA）图像，DM NO DR组（120眼），一个温和的DR组（71只眼睛）和一个适度的DR组（66只眼睛）。我们实施了一种非参数机器学习方法，用于四个分类任务，该任务使用了从八粒图像中提取的参数作为预测因素：DM no no DR与健康，轻度DR与DM NO DR，中度DR与轻度DR相比，以及任何DR与DR相比。 Shapley添加说明值用于确定这些参数在分类中的重要性。结果，我们发现大型绒毛膜流量缺陷对健康而言与DM NO DR是最重要的，并且在轻度或中度DR的眼睛中变得不那么重要。浅表微脉管系统对于健康与DM NO DR和温和的DR与中度DR任务非常重要，但对于DM NO DR与轻度DR任务而言，这是深层微脉管系统起着重要作用的阶段。凹起的血管区度量通常受到的影响较小，但随着DR的恶化，其参与增加了。结论这项研究的结果为DM和DR的微血管参与提供了宝贵的见解，从而促进了早期检测方法和干预策略的发展。
没有糖尿病性视网膜病人的两年召回：A ...
抽象背景/目标是英国糖尿病眼镜筛查计划（DESP）为患有糖尿病（PLD）年度筛查的人们提供。在没有糖尿病性视网膜病（DR）的PLD中提倡较少的筛查，但每个种族的证据受到限制。我们研究了两年期与年度筛查对威胁糖尿病性视网膜病（STDR）和增殖性糖尿病性视网膜病（PDR）检测的潜在影响，而没有来自大型城市多种族英语Desp的DR。在伦敦东北部（2012年1月至2021年12月）中的方法pld，在两次先前的两次筛查访问中没有DR，最多进行了8年的随访。年度STDR和PDR发病率（总体上和种族）被量化。识别STDR的延迟和PDR事件的延迟使用了2年的筛选间隔。82 782 PLD（37％的白人，36％的南亚和16％的黑人）中的发现，平均值（SD）4.3（2.4）年（STDR率为0.51，95％CI 0.47至0.47至0.55年），有1788例STDR案例。STDR的年龄为每100人年的年龄为0.55（南亚95％CI 0.48至0.62），白人为0.34（95％CI 0.29至0.40），黑人为0.77（95％CI 0.65至0.90）。双年展筛查将使诊断延迟1年，为56.3％（1007/1788），STDR和43.6％（45/103）的诊断将延迟诊断。黑人的标准化STDR的标准化STDR延迟率为每100万个人每10万人的人为1904年（95％CI 1683至2154），南亚人为1276（95％CI 1153至1412），白人为844（95％CI 745至955）。解释双年期筛查将将某些STDR和PDR的检测延迟1年，尤其是在黑人族裔的人中，导致医疗保健不平等。
评估糖尿病性视网膜病变的深度学习系统
4。Huang，X.，Wang，H.，She，C.，Feng，J。等：人工智能促进了糖尿病性视网膜病的诊断和筛查。 内分泌学领域。 13，946915（2022）5。 das，S.，Kharbanda，K.，Raman，S.M.R.，Dhas，e。：基于分割的底面图像特征的深度学习体系结构，用于糖尿病性视网膜病的分类。 生物医学信号处理和控制68，102600（2021）6。 Haloi M，Dandapat S，SinhaR。用于渗出量的高斯尺度空间方法可检测，分类和严重性预测。 ARXIV预印ARXIV：1505.00737，2015。 7。 Alban M，Gilligan T.使用荧光素血管造影照片自动检测糖尿病性视网膜病。 斯坦福教育的报告。 2016。 8。 Zhou K，Gu Z，Liu W，Luo W，Cheng J，GaoS。用于糖尿病性视网膜病变分级的多手机多任务卷积神经网络。 2018年第40届IEEE医学与生物学协会工程国际会议（EMBC）。 IEEE，2018：2724-2727。 9。 Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。 2019年信息与通信技术与系统（ICT）第12届国际会议。 IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉Huang，X.，Wang，H.，She，C.，Feng，J。等：人工智能促进了糖尿病性视网膜病的诊断和筛查。内分泌学领域。13，946915（2022）5。das，S.，Kharbanda，K.，Raman，S.M.R.，Dhas，e。：基于分割的底面图像特征的深度学习体系结构，用于糖尿病性视网膜病的分类。生物医学信号处理和控制68，102600（2021）6。Haloi M，Dandapat S，SinhaR。用于渗出量的高斯尺度空间方法可检测，分类和严重性预测。ARXIV预印ARXIV：1505.00737，2015。7。Alban M，Gilligan T.使用荧光素血管造影照片自动检测糖尿病性视网膜病。斯坦福教育的报告。2016。8。Zhou K，Gu Z，Liu W，Luo W，Cheng J，GaoS。用于糖尿病性视网膜病变分级的多手机多任务卷积神经网络。 2018年第40届IEEE医学与生物学协会工程国际会议（EMBC）。 IEEE，2018：2724-2727。 9。 Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。 2019年信息与通信技术与系统（ICT）第12届国际会议。 IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉Zhou K，Gu Z，Liu W，Luo W，Cheng J，GaoS。用于糖尿病性视网膜病变分级的多手机多任务卷积神经网络。2018年第40届IEEE医学与生物学协会工程国际会议（EMBC）。IEEE，2018：2724-2727。 9。 Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。 2019年信息与通信技术与系统（ICT）第12届国际会议。 IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉IEEE，2018：2724-2727。9。Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。2019年信息与通信技术与系统（ICT）第12届国际会议。IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉IEEE，2019：152-157。10。刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉
糖尿病性视网膜病的筛查间隔
糖尿病性视网膜病（DR）是糖尿病（DM）最常见的微血管并发症之一，也是发达国家新盲目病例的主要原因。DR筛选是一种预防失明的经济高效方法。但是，最佳筛选间隔仍然存在争议。2010年，香港开始系统的DR筛查，这是糖尿病多学科风险评估和管理计划（RAMP-DM）的组成部分。冰岛模型用于根据危及视力视网膜病变（STDR）的个性化风险来确定筛查间隔。1然而，冰岛模型在我们的试点DR筛查研究中显着低估了STDR的风险，尽管它具有可接受的歧视水平。DR的危险因素主要基于西方糖尿病种群。使用在香港筛选计划期间收集的数据，我们试图确定最重要的风险因素并改善香港人口的风险分层。在这项研究中，我们旨在使用系统的DR筛查计划中的数据，基于香港的糖尿病人群开发基于香港糖尿病人群的STDR预测模型； （2）测试所得模型的内部有效性； （3）研究预测模型的安全性，可行性和成本效益； （4）建立一个成本效益模型，可以估算新预测模型的成本效益。
AEYE Health | 视网膜成像的先进 AI 解决方案
执行团队 Zack Dvey-Aharon，博士，首席执行官，联合创始人 连续创业者、顾问和讲师 机器学习博士，8200 名校友 Danny Margalit，首席运营官，联合创始人 Aladdin 联合创始人（纳斯达克 IPO） 产品、专利和知识产权专家 Izik Itzhakov，业务发展副总裁 在 CLEW 和 iMDsoft 从事医疗保健 IT 工作超过 20 年，8200 名校友 Amit Wohl，产品副总裁 经验丰富的技术主管 理学硕士、麻省理工学院工商管理硕士、理学学士 以色列理工学院 董事会成员 Yiannis Monovoukas，博士Helios Global Investments、Falcon Ventures TEI Biosciences 首席执行官，以 3.12 亿美元收购 Sean Ianchulev，医学博士，公共卫生硕士 连续投资者，Eyenovia 首席执行官 加州大学旧金山分校和西奈山眼科学教授 Steve Remondi 连续投资者，Xsphera 首席执行官，塔夫茨大学顾问委员会成员，R-Cubed 合伙人 Mike Netz 连续天使投资者 前首席执行官 Teva Israel 医疗顾问委员会 • Sean Ianchulev，医学博士，公共卫生硕士，眼科医生 • Austin Bach，DO，公共卫生硕士，眼科医生 • Edward Rubinchik，医学博士，眼科医生 • Sam Goldberger，医学博士，工商管理硕士，眼科医生 • Elaine Sachter，医学博士，内科 • Eli Kraus，医学博士，眼科医生 • Ehud Rechtman，医学博士，眼科医生 • Tzvi Gottesman，OD，验光师 财务 • 迄今已筹集 300 万美元 • 位于波士顿和纽约的投资集团 •美国和伊利诺伊州天使 • 80 万美元 BIRD 资助获得者
使用人工智能检测、预测和分类视网膜脱离
摘要。本范围审查研究了用于检测、分类和预测视网膜脱离 (RD) 发生的机器学习 (ML) 和深度学习 (DL) 算法的现状。如果不及时治疗，这种严重的眼部疾病会导致视力丧失。通过分析眼底照相等医学成像方式，人工智能可以帮助在早期阶段检测周边脱离。我们搜索了五个数据库：PubMed、Google Scholar、ScienceDirect、Scopus 和 IEEE。两位审阅者独立进行了研究的选择及其数据提取。从收集的 666 篇参考文献中，有 32 项研究符合我们的资格标准。特别是，基于这些研究中使用的性能指标，本范围审查概述了使用 ML 和 DL 算法检测、分类和预测 RD 的新兴趋势和实践。
验证基于深度学习的视网膜生物标志物（reti ...
©作者2023。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：//创建ivecommons。org/licen ses/by/4。0/。Creative Commons公共领域奉献豁免（http：//创建ivecommons。Org/publi cdoma in/Zero/1。0/1。0/）适用于本文中提供的数据，除非在数据信用额度中另有说明。
诊断和管理糖尿病性视网膜病的指南
摘要糖尿病性视网膜病（DR）和糖尿病性黄斑水肿（DME）是糖尿病（DM）患者的微血管并发症之一，如果没有早期诊断并进行适当治疗，可能会导致失明。可以使用各种技术诊断和治疗这两种疾病。治疗方式包括激光光凝治疗，玻璃体切除术手术，眼内类固醇注射和抗血管内皮生长因子（抗VEGF）注射。这些方法与代谢控制结合使用时可以帮助避免失明。这些建议是通过使用基于证据的医学原则来帮助医学专业人员（尤其是眼科医生）来识别和治疗DME案件的。主要目标是提供共识建议，并希望减少印度尼西亚DR和DME引起的失明发病率。
基于深度学习的多模态数据糖尿病视网膜病变检测方法
摘要 — 糖尿病视网膜病变 (DR) 是一种复杂的疾病，结合来自患者病史、实验室结果或基因数据等多种来源的信息可以增进理解。眼科医生或自动化系统可以通过人工检查识别 DR。由于其成本效益和时间效率，糖尿病视网膜病变的自动检测已成为患者和医疗保健提供者的首选。这项研究的新颖之处在于开发了一种使用多模态数据融合预测糖尿病视网膜病变的模型，通过在长短期记忆 (LSTM) 网络中实现的早期融合技术，结合眼底视网膜图像、光学相干断层扫描 (OCT) 和电子健康记录 (EHR)。我们的模型利用多模态数据与局部二值模式 (LBP) 的早期融合，已展示出最佳性能，实现 AUC 值 0.99。这种高精度表明，整合来自各种数据源的信息可以显著提高模型检测糖尿病视网膜病变阳性和阴性病例的能力，从而增强我们对研究结果的可靠性的信心。
使用视网膜图像的心脏病发作风险预测
评估心血管风险。高级图像处理和机器学习：系统采用最先进的图像处理技术和机器学习算法来从视网膜图像中提取相关特征。与心血管健康指标的相关性：通过建立视网膜血管变化与心血管健康之间的相关性，该系统提供了更全面的风险评估。早期检测潜力：拟议的系统有可能在早期阶段识别出心血管风险的细微指标，从而及时干预。具有成本效益且易于使用的：视网膜成像为