RETFound
PulseAugur coverage of RETFound — every cluster mentioning RETFound across labs, papers, and developer communities, ranked by signal.
- 2026-07-08 research_milestone Researchers published a paper detailing the development of RETFound, an interpretable foundation model for retinal fundus images. 来源
2 天有情绪数据
-
面向视网膜眼底图像的可解释基础模型已开发
研究人员开发了DualIFM，这是一种新颖的基础模型，旨在对视网膜眼底图像进行可解释分析。与许多缺乏透明度的现有模型不同，DualIFM利用BagNet骨干网络生成直接反映其决策过程的类别证据图。该模型在超过80万张眼底照片上进行了训练，其性能与更大的RETFound模型相当，同时提供了卓越的可解释性和可视化能力。
-
AI框架整合视网膜知识用于高级青光眼筛查
研究人员开发了一种新颖的框架，利用眼底图像进行青光眼筛查，整合了动态多尺度特征学习与解剖学先验知识。该方法通过采用三分支结构来分析全局视网膜上下文、视杯/视盘特征和病理区域，解决了纯粹数据驱动模型的局限性。一项关键创新是动态窗口机制，它自适应地识别信息图像块，以及知识增强卷积注意力模块，该模块利用预训练的基础模型（RETFound）来指导空间注意力和减少噪声。在AIROGS数据集上的评估显示，其性能达到最先进水平，AUC为98.5%，…
-
为视网膜眼底图像开发了可解释的AI模型RETFound
研究人员开发了RETFound，一个专为视网膜眼底图像设计的可解释基础模型。该模型采用具有小感受野的BagNet骨干网络，以确保其决策透明并能生成类别证据图。它还包括一个用于可视化表示空间的二维投影层，以识别临床簇和潜在的虚假相关性。RETFound在超过80万张图像上进行训练，在提供可解释性的同时实现了与更大模型相当的性能，为医学影像中的鲁棒表示指明了方向。
-
RETFound 模型适应性改进，用于糖尿病视网膜病变筛查，并具备不确定性感知能力
本文研究了用于筛查糖尿病视网膜病变的自监督视觉 Transformer 模型 RETFound 的不确定性感知自适应技术。研究在 APTOS 2019 和 DDR 数据集上评估了各种方法，包括贝叶斯最后一层头部和事后校准。虽然不确定性感知方法在提高 APTOS 数据集的敏感性和选择性转诊行为方面显示出潜力，但其有效性在 DDR 数据集上有所下降，凸显了数据集迁移的挑战以及明确的安全覆盖评估的必要性。