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
1 天有情绪数据
-
自监督学习在数据稀缺时提升视网膜疾病进展模型性能
一篇新的研究论文探讨了自监督预训练在视网膜疾病进展建模中的有效性，尤其是在标记的纵向数据稀缺的情况下。该研究聚焦于年龄相关性黄斑变性，使用NAKO队列的横断面数据和AREDS数据集的纵向进展数据，比较了各种预训练策略。结果表明，冻结的自监督编码器，特别是使用对比学习或掩码自编码目标训练的编码器，在标记样本有限的情况下，可以实现临床相关的区分能力，优于从头开始训练的模型。该研究提出了一种实用的方法，通过使用冻结的自监督编码器和轻量级的生…
-
基础模型在眼病检测方面未显示出优于CNNs的一致优势
一篇新研究论文评估了基础模型（FMs）从眼底图像检测糖尿病黄斑水肿（DME）的有效性。研究发现，虽然测试了RETFound和FLAIR等基础模型，但它们在传统微调的卷积神经网络（CNNs）方面并未始终表现更优。具体而言，在各种设置下，EfficientNetB0模型取得了具有竞争力或更优的性能，这表明在数据稀缺的环境中，轻量级CNNs可作为DME检测的有力基线。
-
新框架通过视网膜血管实现可解释的眼底图像分类
研究人员开发了一个可解释的框架，通过分析视网膜血管的基于环的结构来对眼底图像进行分类。该方法在同心区域内量化血管的几何形状、颜色和与氧合相关的外观，在HRF数据集上达到了91.1%的准确率。该方法在不需要大型特定任务训练数据集的情况下表现出强大的性能，为可解释的疾病分类和生物标志物发现提供了潜力。
-
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。