目的:将糖尿病患者的眼底荧光血管造影图片与计算机深度学习技术及图像配准技术相结合,利用海量的标注过新生血管及黄斑水肿的荧光造影图片对智能诊断系统进行学习训练,组建一套基于眼底荧光血管造影的糖尿病视网膜病变新生血管及黄斑水肿的智能诊断系统,并对该智能诊断系统进行检测及验证,得出相应的灵敏度及特异度。方法:收集2家不同医疗机构的682位糖尿病患者的30034张眼底荧光血管造影图片,邀请3名眼底病专家对荧光造影图片进行“背靠背”标注,对同一图片的不同标注意见采用多数同意原则并结合临床诊断报告。随机选取682位患者中的608位患者的已准确标注的数据(总计25695张图像)用作训练/验证集,余下的74位患者的标注数据(总计3253张图像)作为测试集,对智能诊断系统进行训练和测试,最后以灵敏度及特异度对系统进行评估。结果:分别使用两次内部验证及外部验证对智能诊断系统进行验证及测试,其中第一次内部验证检测新生血管灵敏度及准确率分别为0.524和0.185,黄斑水肿灵敏度及准确率分别为0.715和0.556。外部验证检测新生血管灵敏度及准确率分别为0.538和0.151,黄斑水肿灵敏度及准确率分别为0.812和0.605。第二次内部验证检测新生血管灵敏度及特异度分别为0.914和0.780,黄斑水肿灵敏度及特异度分别为0.928和0.875。外部验证检测新生血管灵敏度及特异度分别为0.963和0.786,黄斑水肿灵敏度及特异度分别为0.823和0.857。结论:在大数据的支配下,使用深度学习技术和图像配准技术对计算机智能诊断系统模型进行训练和学习,联合医学技术团队及计算机技术团队,有望研究出一套基于眼底荧光血管造影的糖尿病视网膜病变新生血管及黄斑水肿的智能诊断系统,辅助眼科医生快速完成糖尿病视网膜病变新生血管及黄斑水肿的诊断,从而减轻医生的工作量,提升工作效率。同时为下一步开发基于眼底荧光血管造影的糖尿病视网膜病变智能诊断系统打下了坚实的基础。在目前我国这样一个人口众多、医疗资源短缺、且极度分布不均的情况下,研发及使用人工智能辅助系统,无疑是一个不错的选择。