摘要：目的研究基于遷移學習的糖尿病視網(wǎng)膜病變(DR)診斷算法在小樣本訓練數(shù)據(jù)集中的應(yīng)用。方法采用廣東省肇慶市高要區(qū)人民醫(yī)院拍攝的4465幅彩色眼底照片作為完整數(shù)據(jù)集。使用固定預訓練參數(shù)和微調(diào)預訓練參數(shù)的模型訓練策略作為遷移學習組,將其與非遷移學習的隨機初始化參數(shù)的策略對比,并將這3種策略應(yīng)用在ResNet50、Inception V3和NASNet 3種深度學習網(wǎng)絡(luò)的訓練上。此外,從完整數(shù)據(jù)集中隨機劃分出小樣本數(shù)據(jù)集,研究訓練數(shù)據(jù)的減少對不同訓練策略的影響。采用診斷模型的準確率和訓練時間分析不同訓練策略的效果。結(jié)果取不同網(wǎng)絡(luò)架構(gòu)中的最優(yōu)結(jié)果。微調(diào)預訓練參數(shù)策略取得的模型準確率為90.9%,高于固定預訓練參數(shù)策略的88.1%及隨機初始化參數(shù)策略的88.4%。固定預訓練參數(shù)策略的訓練所需時間為10min,少于微調(diào)預訓練參數(shù)策略的16h及隨機初始化參數(shù)策略的24h。在訓練數(shù)據(jù)減少后,隨機初始化參數(shù)策略得到的模型準確率平均下降8.6%,而遷移學習組準確率平均下降2.5%。結(jié)論結(jié)合遷移學習中的微調(diào)策略和NASNet架構(gòu)的新型識別算法在小樣本數(shù)據(jù)集下仍保持高準確率,具有高度的魯棒性,可用于DR的有效篩查。