目的:1以视网膜眼底彩照诊断异常眼底病,利用视网膜眼底彩照的影像数据开发和验证一种基于深度迁移学习（Deep transfer learning,DTL）算法模型,对正常眼底和异常眼底彩照进行二分类。2局部试行和评估离线环境下基于眼底彩照的人工智能（Artificial intelligence,AI）自动识别需转诊的糖尿病视网膜病变（Referable diabetic retinopathy,RDR）模型的诊断性能和可行性分析。方法:1共收集1295张眼底彩照,排除366张质量较差的图像,剩余929张（正常:370张,异常:559张）眼底彩照用于开发和验证DTL模型。对眼底彩照进行人工分类,分为正常和异常,眼底彩照均经过预处理步骤,使所有图片数据标准化,随机分为训练数据集和测试数据集。应用Inception-Res Net-v2深度学习框架来实现迁移学习,使用公开Messidor数据集的子集作为外部测试数据集对DTL模型进行测试,并评估了DTL模型检测异常眼底彩照的性能。对真阳性结果生成热图,以识别DTL模型在分类异常眼底彩照时关注的重要区域。2 2019年12月至2020年7月在体检中心主动选择DR筛查的体检者纳入本研究,当拍摄的眼底彩照保存至人工智能系统提前设置的一个相关文件夹中时,离线AI系统会自动识别并显示一个二元RDR或非RDR（n-RDR）检测结果。参考临床眼科医师分类标准,评估了基于离线人工智能的RDR筛查系统的准确度、灵敏度、特异性、F1评分、阳性预测值和阴性预测值。结果:1在内部验证数据集（273张眼底彩照）中,DTL模型正确分类眼底彩照的受试者工作特征曲线下面积（Area under the curve of Receiver Operating Characteristic,AUC）、灵敏度、准确度和特异性分别为0.997、97.41%、97.07%和96.82%。对于测试数据集（273张）,DTL对眼底图像正确分类的AUC、灵敏度、准确度和特异性分别为0.926、88.17%、87.18%和86.67%。2在163名研究对象中,31人（19%）有糖尿病病史。平均年龄为51（10）岁,范围从22岁到83岁。离线AI系统正确地将10张（3.3%）眼底彩照分类为具有RDR,而2张眼底彩照（0.7%）被漏诊,7张眼底彩照（2.3%）被误诊。参考眼科医师诊断标准,用于评估RDR的人工智能系统的诊断性能:灵敏度、准确度、F1评分和特异性分别为:83.3%、97.1%、70%和97.6%。结论:1 DTL模型对异常眼底彩照具有较高的敏感性和特异性,可以有效识别异常眼底,但仍需要进一步的研究改进。2试点研究的结果显示,离线人工智能糖尿病视网膜病变筛查系统在体检中心具有良好的应用前景。