眼科疾病是指在人体的视觉系统发生病变,主要包括眼球和与之相关部位处所产生的疾病。眼科疾病分为多种类别,作为其中发病率较高的代表,青光眼的影响较为严重。对于青光眼,它的发展往往由浅入深,如果能够及早发现,则能够有效预防病情加深导致视力障碍乃至失明。但是由于疾病本身的复杂程度,早期诊断往往需要大量眼科专家的先验知识作为基础,这对于医生和病人双方而言,都会造成一定的压力。目前很多学者、研究机构都积极开展了青光眼预测模型的研究,但是这存在以下两个方面的问题:一方面,由于绝大多数研究都是利用图像处理的方式人为预先定义特征,这就导致特征选择不一定符合真实数据的表达,换言之,这种特征集合不一定真正客观和充分;另一方面,作为模型训练的医疗数据而言,由于本身流通渠道的限制,大量、完整的标注数据难以获得,这对于目前使用机器学习进行模型构建,特别是对深度学习是个严重的制约。所以如何利用少量的医疗数据成本来训练一个可靠的预测模型是一个亟待解决的难题。为了解决以上两方面的不足,本文将以医疗数据中的数字眼底图像为数据背景,以青光眼与其他眼科疾病之间的知识(特征)共享为目的,提出了一种基于迁移学习的青光眼自动分类模型。具体而言所做的工作包括:(1)构建基于深度卷积神经网络(Deep Convolutional Neural Network,DCNN)的青光眼自动分类模型。一方面由于眼底图像本身质量不够统一和青光眼眼底特征的特异性,我们设计了针对青光眼眼底图像的预处理方法,并设置对比实验验证各个因素对DCNN网络的影响。另一方面,我们探究在青光眼分类任务下,利用深度学习网络自适应提取的隐形特征和传统人工预先定义特征二者的性能优劣。最后实验结果证明,DCNN提取的青光眼眼底特征是切实有效的,能为分类任务带来准确的特征表达。(2)构建基于迁移学习的青光眼自动分类模型。其目的是解决特定领域下有限训练样本和深度学习训练之间的矛盾。我们将利用完备的白内障眼底数据集作为迁移学习中的源领域,利用上述完备的白内障分类网络特征作为针对青光眼分类迁移学习网络的网络参数进行对目标领域优化。为了更进一步提升模型的泛化能力,我们将二者的领域特征进行融合。实验结果验证,我们所提出的方法比原有DCNN青光眼自动分类模型性能和效率上得到了提升。(3)构建领域特征迁移过程可视化网络。由于预测模型的可解释性在医疗领域中是十分重要的,而深度学习网络本身为“黑盒”模型(模型结果难以解释)。在提出的迁移学习模型基础之上,我们能够根据原有迁移学习模型对疾病病灶特征的依赖程度,建立类激活(Class Activation Mapping,CAM)模块,以此来探索青光眼目标域和其他病种源领域(本文指白内障)特征之间的联系。可视化结果表明了整个迁移过程中眼底特征的变化,与眼科医生论证后,这一结果符合眼科医生的临床诊断标准。