retinal-imaging

CAMEL 提出了一种采用非对称掩码策略的跨架构蒸馏框架，将 RETFound 等大型视网膜基础模型的知识迁移到超轻量级学生模型，在保持准确性的同时大幅降低计算成本，以便在资源受限的临床环境中部署。

探讨了通过刺激视网膜中的单个视锥细胞来看到新颜色的可能性，这是基于计算机科学家 Ren Ng 与视觉科学家 Austin Roorda 的合作研究。

本文介绍了REVEAL++，一种用于视觉-语言对比学习的可微分表型分组方法，应用于视网膜眼底图像和临床风险叙述，以预测阿尔茨海默病风险，其性能优于离散分组基线方法。