视网膜图像中的血管特征能反映心血管疾病的严重程度,在一定程度上能间接反映心血管手术的风险情况。由于视网膜图像还具有获取成本低和对人体无创的优点,因此通过视网膜图像来预估心血管手术指标的风险等级是临床医生分析与评估心血管疾病的重要途径。近年来,深度学习逐渐成为处理视网膜图像分类任务的主流手段。但是,目前大部分研究工作主要通过优化模型的结构来更好地学习输入图像的特征信息,没有考虑到图像之间的关系信息。另一方面,这些算法主要基于眼科疾病的诊断,需要考虑到视网膜图像中的血管以外的生物特征,如渗漏、微动脉瘤、视盘等,但是对于心血管疾病这些特征是干扰项,因此在利用视网膜图像来预估心血管手术指标的风险时需要算法进一步过滤这些无效特征。此外,大部分算法缺乏一定的可解释性机制,这不利于临床医生调查视网膜图像的重点区域。本文针对上述现有视网膜图像分类算法在预测心血管手术指标风险任务上的不足,从不同的角度提出了两种基于深度学习的手术指标风险分类算法。第一种方法的思路是先利用血管分割模型提取视网膜图像的血管图,接着通过基于深度学习的双分支分类算法来同时考虑输入图像的特征信息和图像之间的关系信息进行分类预测。实验结果表明,该方法在六种手术指标上的AUC值比其他流行的深度神经网络模型平均提高了5%。第二种方法的思路是直接提取血管分割模型的中间层特征作为后续分类器的特征输入,临床医生可通过观察模型生成的血管图来判断输入特征的可靠程度,大大增强模型的可解释性。此外,两种方法均能生成注意力热度图来供医护人员了解模型关注的重点区域。本文分别使用两批来自广东省人民医院的真实数据集,实验结果表明本文提出的两种针对视网膜图像在心血管手术指标的风险分类算法的有效性和鲁棒性。