摘要：目的研究基于卷积神经网络自动检测青光眼性视神经病变的深度学习算法,并探讨实现病灶区可视化的可行性。设计横断面研究。研究对象2014-2018年北京同仁医院5148例患者10296眼的眼底图像。方法在提供有无青光眼性视神经病变作为标记的前提下,首先基于ResNet深度模型训练一个深度神经网络,使用训练好的模型测试并计算其诊断分类的准确性。其次利用t-分布随机邻域嵌入可视化方法(t-SNE)实现对不同类别的深度特征分布可视化,生成相应的病灶区域热力图。计算该深度学习算法分类的敏感性、特异性和受试工作特性曲线下面积(AUC),并通过热力图评价其对某种类型病灶区的识别准确率以及对于诊断贡献最大的区域与专家的判别一致性。主要指标敏感性、特异性、AUC、识别准确率、判别一致性。结果在验证数据集中,该算法的AUC为0.996(95%CI,0.995-0.998),检测到病灶区的敏感性和特异性与受过培训的专业评分员相当(敏感性,96.2%vs 96.0%,P=0.76;特异性,97.7%vs 97.9%,P=0.81)。病灶区域热力图对视盘异常和盘沿丢失区域的识别准确率达到100%,对于诊断贡献最大的区域判别与青光眼专家的一致性达91.8%。结论运用深度学习算法检测青光眼性视神经病变的眼底图像具有较高的敏感性与特异性,同时基于t-SNE算法实现了对诊断贡献较大的病灶区域可视化。