摘要
目的：利用超广角眼底彩照，构建基于深度学习算法的孔源性视网膜脱离（rhegmatogenousretinaldetachment，RRD）及相关周边部视网膜病变检测模型，并评估该模型的检测能力。 方法：本研究获取2015年11月至2021年1月于汕头大学·香港中文大学联合汕头国际眼科中心就诊患者的超广角眼底彩照。设定四个病变类别，分别为囊性视网膜突起、格子样变性、视网膜裂孔与孔源性视网膜脱离，据此对图片进行筛选与分级人工标注，建立数据集，再根据患者人数按比例75%，10%与15%随机分为训练集，验证集和测试集。利用深度学习，InceptionV3、InceptionResNetV2和Xception三种卷积神经网络（convolutionalneuralnetwork，CNN）集成，多标签分类法，构建基于超广角眼底彩照的孔源性视网膜脱离及相关周边部视网膜病变检测模型。采用准确率、敏感度、特异度、F1分数、ROC曲线下面积（areaunderreceiveroperatingcharacteristiccurve，AUC）及AUC的95%可信区间来评估该模型对孔源性视网膜脱离及相关周边部视网膜病变的检测效能及临床价值。另外，运用可视化分析技术对模型进行解释。 结果：本研究共纳入患者3740人，4944只眼，超广角眼底彩照5958张。其中，囊性视网膜突起、格子样变性、视网膜破裂孔和孔源性视网膜脱离的标签数分别为65个，827个，1011个和953张。在测试集中，模型对孔源性视网膜脱离及相关周边部视网膜病变的预测结果如下，对囊性视网膜突起的识别，AUC为0.9781(95％CI，0.9538-1.0000)，敏感度为0.867；对格子样变性的识别，AUC为0.9550(95％CI，0.9358-0.9743)，敏感度为0.881，对视网膜破裂孔的识别，AUC为0.9205(95％CI，0.8989-0.9421)，敏感度为0.836，对孔源性视网膜脱离的识别，AUC为0.9882(95％CI，0.9758-1.0000)，敏感度为0.918。并且，模型转诊四种目标病变的总体F1为0.905，准确率为0.938。 结论：本研究构建的基于超广角眼底彩照检测孔源性视网膜脱离及相关周边部视网膜病变的深度学习算法模型有较高的AUC及准确率。
NETL