Štúdia hodnotí klasifikačný výkon modelov hlbokého učenia na šesť typov ochorení očného pozadia v OCT obrazoch pomocou viaczdrojovej tréningovej stratégie. Vytvorili kombinovaný súbor údajov z 6 165 obrázkov zahŕňajúci vekom podmienenú degeneráciu makuly (AMD), diabetický makulárny edém (DME), oklúziu retinálnej artérie (RAO), oklúziu sietnicovej žily (RVO), epiretinálnu membránu (ERM), vitreomakulárne rozhranie (VID) a normálne kontroly (NO). Porovnali dve stratégie: tréning len na verejných dátach OCTDL (S1) a spoločný tréning s lokálnymi klinickými údajmi z nemocnice Shanxi Eye Hospital (S2), s testovaním na OCTDL testovacom súbore. Stratégia S1 mala obmedzený výkon kvôli malým vzorkám niektorých kategórií. Stratégia S2 výrazne zlepšila celkový výkon všetkých šiestich testovaných modelov hlbokého učenia. Najlepší bol model ViT-Base v S2 s presnosťou 93,61 %, mierou nesprávnej diagnózy RAO 0 %, AMD 1,34 % a RVO zníženou z 14,89 % na 8,51 %. Táto stratégia posilňuje najmä rozpoznávanie určitých chorôb a ovplyvňuje efekt prenosu učenia výberom modelu.