---

Вот 5 полностью верифицированных научных статей за 2023–2024 годы, найденных через базу данных PubMed. Каждая публикация строго посвящена дифференциальной диагностике глазных заболеваний с помощью искусственного интеллекта (ИИ) и глубокого обучения. Краткое содержание сокращено до 1-2 предложений.
1. Liu, K. Deep learning system for distinguishing optic neuritis from non-arteritic anterior ischemic optic neuropathy at acute phase based on fundus photographs [Система глубокого обучения для отличия оптического неврита от неартериитной передней ишемической оптической нейропатии в острой фазе по фотографиям глазного дна] / K. Liu, S. Liu, X. Tan [et al.] // Frontiers in Medicine. – 2023. – Vol. 10. – P. 1188542. – DOI: 10.3389/fmed.2023.1188542. – URL: https://pubmed.ncbi.nlm.nih.gov/37457581/
 * Краткое содержание: Разработанная нейросеть (ONION) анализирует 2D-снимки глазного дна для автоматического и точного разграничения оптического неврита и передней ишемической нейропатии (ПИОН) на самой ранней стадии заболевания.
 * Цитирования: Индексируется в Scopus / Web of Science (Q1/Q2).
2. Shao, J. End-to-End Deep-Learning-Based Diagnosis of Benign and Malignant Orbital Tumors on Computed Tomography Images [Сквозная диагностика доброкачественных и злокачественных опухолей орбиты на компьютерных томограммах на основе глубокого обучения] / J. Shao, J. Zhu, K. Jin [et al.] // Journal of Personalized Medicine. – 2023. – Vol. 13, № 2. – P. 204. – DOI: 10.3390/jpm13020204. – URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC9960119/
 * Краткое содержание: Предложена ИИ-модель (U-Net + ResNet-34) для сегментации и дифференциальной диагностики между гемангиомами (доброкачественными) и лимфомами (злокачественными) орбиты по неконтрастным КТ-снимкам.
 * Цитирования: Индексируется в PubMed.
3. Crincoli, E. Artificial intelligence's role in differentiating the origin for subretinal bleeding in pathologic myopia [Роль искусственного интеллекта в дифференциальной диагностике происхождения субретинального кровоизлияния при патологической миопии] / E. Crincoli, A. Servillo, F. Catania [et al.] // Retina. – 2023. – Vol. 43, № 11. – P. 1881-1889. – DOI: 10.1097/IAE.0000000000003884. – URL: https://pubmed.ncbi.nlm.nih.gov/37490781/
 * Краткое содержание: Доказано, что алгоритмы глубокого обучения способны автоматически выявлять биомаркеры на базовых В-сканах ОКТ, надежно отличая миопическую хориоидальную неоваскуляризацию от кровоизлияний иной этиологии.
 * Цитирования: Индексируется в Scopus (Q1).
4. Tagami, M. Artificial intelligence-based differential diagnosis of orbital MALT lymphoma and IgG4 related ophthalmic disease using hematoxylin-eosin images [Дифференциальная диагностика орбитальной MALT-лимфомы и IgG4-ассоциированного офтальмологического заболевания на основе ИИ по изображениям, окрашенным гематоксилин-эозином] / M. Tagami, M. Nishio, A. Yoshikawa [et al.] // Graefe's Archive for Clinical and Experimental Ophthalmology. – 2024. – Vol. 262, № 10. – P. 3355-3366. – DOI: 10.1007/s00417-024-06501-1. – URL: https://pubmed.ncbi.nlm.nih.gov/38700592/
 * Краткое содержание: ПО на основе глубокого обучения дифференцирует MALT-лимфому орбиты и IgG4-патологию по гистологическим срезам, превосходя диагностическую точность опытных офтальмологов (которая в данном исследовании составила 40-60%).
 * Цитирования: Индексируется в PubMed.
5. Zhang, J. A comparative study of GPT-4o and human ophthalmologists in glaucoma diagnosis [Сравнительное исследование GPT-4o и врачей-офтальмологов в диагностике глаукомы] / J. Zhang, Y. Ma, R. Zhang [et al.] // Scientific Reports. – 2024. – Vol. 14, № 1. – P. 30385. – DOI: 10.1038/s41598-024-80917-x. – URL: https://pubmed.ncbi.nlm.nih.gov/39639068/
 * Краткое содержание: Исследование подтвердило, что мультимодальная LLM-модель GPT-4o демонстрирует высокую точность в дифференциальной диагностике сложных случаев глаукомы, выступая эффективным инструментом поддержки принятия врачебных решений.
 * Цитирования: Индексируется в Scopus (Q1).