背景青光眼是一种不可逆性的致盲性眼病，研究青光眼眼底图像特征，利用人工智能技术在专业临床数据库的基础上建立诊断模型，能够快速、客观地对青光眼患者眼底图像进行判断。目的 评价一种基于人工智能眼底分析技术的青光眼病灶诊断系统的性能，并利用该系统探索青光眼疾病进展中的杯盘比发展情况。方法 选取2020年3月-2021年4月4 000例在解放军总医院第三医学中心完成眼底照相患者的眼底照片，将采集的眼底照片进行视杯、视盘及视网膜纤维层缺损的分割标注、病灶多标签的分类标注及青光眼分期标注，获得眼底照片-青光眼数据集。建立一个基于深度学习算法模型的人工智能青光眼病灶诊断系统，并随机选取眼底照片进行内部验证以评估系统性能。利用该人工智能系统对不同分期的青光眼眼底照片进行杯盘比识别计算，分析随青光眼疾病进展的杯盘比分布差异。结果 本研究共应用了6 837张眼底照片，其中60%（4 102张）用作训练集，40%（2 735张）用作验证集。在验证集中人工智能青光眼病灶诊断系统在视杯分割预测结果上召回率平均为0.837，精确度平均为0.814，交并比平均为0.816,AUC平均为0.874；在视盘分割预测结果上召回率平均为0.928，精确度平均为0.926，交并比平均为0.916,AUC平均为0.941；在视网膜神经纤维层缺损（retinal nerve fiber layer defect,RNFLD）分割预测结果上召回率平均为0.653，精确度平均为0.612，交并比平均为0.480,AUC平均为0.749。在验证集中人工智能青光眼病灶诊断系统在局限性RNFLD病灶预测结果上准确度平均为0.890，敏感度平均为0.896，特异性平均为0.638,AUC平均为0.893；在弥漫性RNFLD病灶预测结果上准确度平均为0.950，敏感度平均为0.744，特异性平均为0.961,AUC平均为0.901；在视盘出血病灶预测结果上准确度平均为0.966，敏感度平均为0.650，特异性平均为0.967,AUC平均为0.969；在视杯切迹病灶预测结果上准确度平均为0.951，敏感度平均为0.794，特异性平均为0.957,AUC平均为0.892。对不同分期的青光眼眼底照片进行杯盘比识别计算，杯盘比值随青光眼视神经病变的进展逐渐增大。结论 将人工智能眼底分析技术应用于青光眼病灶诊断系统，可以为实现青光眼筛查提供思路。