Štúdia navrhuje model CheXNetCBAM na klasifikáciu diabetickej retinopatie zo snímok očného pozadia, založený na DenseNet121 s pridaným modulom CBAM pre lepšiu reprezentáciu funkcií cez kanálové a priestorové mechanizmy pozornosti. Používa sa aj Grad-CAM na vizualizáciu oblastí dôležitých pre predpovede modelu. Model sa porovnáva s architektúrami CheXNet, DenseNet121, MobileNetV2, VGG19 a ResNet50 na súboroch údajov APTOS 2019 a DDR. Na APTOS 2019 dosahuje presnosť 96,12 % a na DDR 96,33 %, čím prevyšuje porovnávané modely. Začlenenie CBAM zlepšuje rozlišovacie učenie funkcií. Pre klinické použitie je potrebné ďalšie prospektívne hodnotenie a externá validácia.