据了解，医学人工智能（AI）在识别视网膜图像中的健康状况迹象以及加快眼部疾病和全身性疾病诊断方面具有巨大潜力。然而，AI模型的开发需要大量注释，而且模型通常针对特定任务，对不同临床应用的通用性有限。

研究人员介绍一种视网膜图像基础模型RETFound，它能从无标签的视网膜图像中学习可通用的表征，并为多个应用中的标签高效模型适配提供基础。具体来说，RETFound是通过自我监督学习的方式在160万张无标签视网膜图像上进行训练的，然后适应于带有明确标签的疾病检测任务。

研究结果表明，经过调整的RETFound在威胁视力的眼部疾病诊断和预后以及复杂系统疾病（如心力衰竭和心肌梗塞）的事件预测方面，始终优于几个比较模型，而且标记数据较少。RETFound为提高模型性能和减轻专家标注工作量提供了可推广的解决方案，从而使视网膜成像技术在临床AI领域得到广泛应用。

相关论文信息：

https://doi.org/10.1038/s41586-023-06555-x