摘要：目的研究基于遷移學習的糖尿病視網膜病變(DR)診斷算法在小樣本訓練數據集中的應用。方法采用廣東省肇慶市高要區人民醫院拍攝的4465幅彩色眼底照片作為完整數據集。使用固定預訓練參數和微調預訓練參數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的策略對比,并將這3種策略應用在ResNet50、Inception V3和NASNet 3種深度學習網絡的訓練上。此外,從完整數據集中隨機劃分出小樣本數據集,研究訓練數據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。結果取不同網絡架構中的最優結果。微調預訓練參數策略取得的模型準確率為90.9%,高于固定預訓練參數策略的88.1%及隨機初始化參數策略的88.4%。固定預訓練參數策略的訓練所需時間為10min,少于微調預訓練參數策略的16h及隨機初始化參數策略的24h。在訓練數據減少后,隨機初始化參數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%。結論結合遷移學習中的微調策略和NASNet架構的新型識別算法在小樣本數據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。