提出一种基于深度学习的早产儿视网膜病变(ROP)智能辅助诊断系统，并评估其在临床上的应用价值。
采集武汉大学人民医院眼科中心2009年7月至2016年12月行早产儿眼底筛查的38 895张图像构建眼底图像大规模数据集，由10名眼科医生进行标注，建立深度学习网络，通过对模型的训练实现ROP的自动诊断，评估该算法自动筛查ROP分期、分区及附加病变的性能和准确率。
深度学习智能诊断系统对ROP分期及其附加病变、视盘、黄斑及激光治疗瘢痕检测的平均准确率为0.931；其中检测分界线(Ⅰ期)准确率为0.876，视网膜嵴(Ⅱ期)为0.942，膜嵴伴血管扩张(Ⅲ期)为0.968；视网膜不完全脱离(Ⅳ期)为0.998，视网膜完全脱离(Ⅴ期)为0.999；血管迂曲扩张(附加病变)为0.896，视盘为0.954，黄斑为0.781，激光治疗瘢痕为0.974。
基于深度学习算法的ROP的疾病分期和附加病变的诊断准确率高，可用于ROP的临床辅助诊断和筛查。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
早产儿视网膜病变(retinopathy of prematurity，ROP)是世界首位儿童不可逆性致盲眼病[1,2]。随着早产儿及低出生体质量新生儿的存活率不断提高，ROP的发生率也随之升高。ROP发病隐匿，呈进行性发展[3]，如果诊断和治疗及时，可通过激光光凝或手术治疗。因此，做好ROP筛查工作，发现阈值病变并及时转诊或治疗对挽救患儿的视功能十分重要。广域数字化视网膜摄像系统可观察并记录视网膜图像，是ROP综合诊断的重要依据，但ROP病变复杂多样，人工诊断需要眼科医生有丰富的先验知识，优秀的眼科医生培养周期长，即使在不同的专家间也可能存在ROP诊断结果的不一致性[4,5]。此外，如视网膜周边部图像不够清晰、色泽黯淡，细微结构难以辨认等，也会使得诊断费时费力，造成漏诊和误诊率高。近年来，作为人工智能(artificial intelligence，AI)的分支，深度学习技术在图像分类、目标检测等领域发展迅速，取得了显著成果[6,7]。深度学习技术可通过卷积神经网络(convolutional neural network，CNN)自动学习图像特征，发现数据内在规律，最终输出图片分类或预测结果。由于深度学习网络需在训练过程中调整数百万个参数，故训练数据集越大，模型输出结果的精度越高。在医学领域，深度学习已被广泛应用于皮肤癌、肺癌、胶质瘤、糖尿病视网膜病变和青光眼等疾病的自动辅助诊断[8,9,10,11,12,13]，大大提高了医生对疾病的诊断效率。Faster-RCNN模型是目前基于深度学习的先进的目标检测方法，对于图像分类和图像定位具有较高准确度和特异性[14]。本研究中基于Faster-RCNN深度学习技术建立了ROP智能诊断方法，利用AI目标检测模型在ROP影像上查找各阶段病灶的位置，并根据病灶对应的分期和分区确定疾病的严重程度，为临床辅助诊断提供依据。
