Devido à dificuldade de coletar e rotular uma grande quantidade de imagens de fundo de olho, assim como à distribuição desigual de oftalmologistas experientes, o que leva a baixa precisão nos exames de pacientes com doenças do fundo de olho e maior tempo gasto, este artigo propõe um método de classificação de imagens baseado em aprendizado por transferência: primeiramente, os modelos EfficientNet-B0 e EfficientNet-B7 são modificados e seus parâmetros ajustados finamente, o modelo ajustado é usado como extrator de características para extrair características das imagens de fundo de olho, depois as características extraídas são fundidas e um classificador DNN é usado para realizar a classificação final. Simultaneamente, utiliza-se visualização por mapas de ativação de gradiente ponderados para explicar as razões do diagnóstico anormal pelo modelo. O método proposto alcançou, em validação cruzada de dez vezes nos dados internos, uma acurácia média, sensibilidade e AUC de 95,74%, 96,46% e 0,987 respectivamente, e obteve 97,04% de acurácia e 97,14% de sensibilidade no conjunto de dados público JSIEC. Os resultados indicam que este método pode ser usado para triagem em larga escala de anormalidades no fundo do olho, auxiliando médicos a realizar diagnósticos eficientes.

imagens do fundo do olho;classificador de rede neural profunda;ajuste fino do EfficientNet;extração de características;fusão de características;explicação visual