目的:开发并验证一款基于视网膜眼底图像的深度学习模型，用于识别冠心病及其危险因素。方法:本研究为回顾性研究。收集2018年7月至2021年6月来自中国149家医院和体检中心，年龄>18岁、具有完整冠状动脉造影及视网膜眼底图像的受试者。2名对研究设计不知情的放射科医师独立评估每位受试者的冠状动脉造影图像，判断是否诊断为冠心病。使用卷积神经网络（CNN）深度学习模型，根据有无冠心病将视网膜眼底图像进行标注，按比例分为训练集和测试集进行模型训练。并且在测试集中分别使用单眼和双眼眼底图像评估模型预测性能。使用受试者工作特征曲线下面积（ AUC）及相关系数（ R2）评估模型识别心血管疾病危险因素（年龄、血压、性别）以及冠心病的效能。 结果:本研究收集到25 222名受试者的51 765张眼底图像，其中男性14 419名，冠心病患者10 255例。训练集纳入了22 701名受试者的46 603张眼底图像，测试集共纳入2 521名受试者的5 162张眼底图像。在测试集中，模型从单眼和双眼视网膜眼底图像中判断年龄的 R2分别为0.931（95% CI 0.929~0.933）和0.938（95% CI 0.936~0.940）。从单眼和双眼视网膜眼底图像中识别性别的 AUC值分别为0.983（95% CI 0.982~0.984）和0.988（95% CI 0.987~0.989）。该模型运用单眼（任一）眼底照片识别冠心病的 AUC值为0.876（95% CI 0.874~0.877），双眼（均值）眼底照片的 AUC值为0.885（95% CI 0.884~0.888），模型通过双眼视网膜眼底照片判断冠心病的灵敏度为0.894，特异度为0.755，准确度为0.714。 结论:基于视网膜眼底图像的深度学习模型在评估冠心病及其危险因素（年龄、性别）方面表现良好。

心血管疾病;冠心病;视网膜眼底图像;深度学习模型

丁耀东;张阳;何兰青;付萌;赵昕;黄露克;王斌;陈羽中;汪朝晖;马志强;曾勇

首都医科大学附属北京安贞医院冠心病中心，北京　100029;北京鹰瞳科技发展股份有限公司，北京　100029;爱康国宾健康体检管理集团有限公司，北京　100000

中华心血管病杂志

[1]丁耀东;张阳;何兰青;付萌;赵昕;黄露克;王斌;陈羽中;汪朝晖;马志强;曾勇-.通过眼底影像评估冠心病及相关危险因素的深度学习模型研究)[J].中华心血管病杂志,2022(12):1201-1206

过眼,眼底影像,影像评估,相关危险因素,深度学习模型,视网膜眼底图像,回顾性研究,体检中心,不知情,放射科医师,每位,冠状动脉造影图像,训练集,测试集,模型训练,单眼,双眼,预测性能,受试者工作特征曲线,特征曲线下面积,模型识别,心血管疾病危险因素,及冠,中男,冠心病患者,集纳,识别性,任一

0.154079