目的构建基于眼底彩照与OCT的双模态图像人工智能模型,对病理性近视进行ATN分级,筛查可能需要转诊至上级医疗机构的患者并判断患者可能所需的治疗方案,以达到筛查、诊断、评估的目的。方法本研究纳入近视患者656例,共1184组同机眼底彩照与以黄斑为中心的OCT图像。病理性近视的定义、分级均基于Ruiz-Medrano等人于2019年提出的病理性近视ATN分级系统。3位经过培训的标注者组成标注小组,每张图像至少由2位标注者进行独立标注,标注内容包括病灶、ATN分级、转诊、可能的治疗方案。标注后分层随机划分训练集、测试集及验证集,比例大致为60%、20%、20%。本研究采用ResNet50的卷积模块构建多模态多示例学习模型。使用准确度、平方加权κ系数评价模型的ATN分级结果,使用受试者工作特征曲线下面积（area under curve,AUC）、灵敏度、特异度评价模型诊断病理性近视、筛查可能需要转诊患者及判断患者所需治疗方案的能力。结果诊断病理性近视时,模型的AUC为0.962,准确度为0.9583,灵敏度为0.9466,特异度为1.0000。模型在A、T、N分级上的准确度分别为0.7500,0.7875和0.8583,平方加权κ系数分别为0.8566、0.7823和0.5831。在识别需要转诊至上级医疗机构的患者方面,该模型的AUC为0.968,准确度为0.8958。在判断患者不同处理方式上,该模型的准确度在0.8417至0.9750之间,AUC在0.925-0.976之间。作为对比,我们也训练了基于眼底彩照单模态图像的人工智能模型,单模态模型在A、T、N分级上的准确度分别0.7292、0.6000和0.8250,平方加权K系数为0.8188、0.2736和0.6098,判断患者所需治疗方案时,单模态模型的准确度在0.7125至0.9333之间,AUC在0.658至0.824之间。与单模态模型相比,双模态模型在ATN分级及判断患者治疗方案上,具有更显著的优势。结论基于眼底彩照和OCT图像的人工智能模型可以较为准确地实现对病理性近视ATN自动分级,诊断病理性近视,筛查需要转诊的患者以及判断患者下一步的诊疗方案。相较于传统的基于眼底彩照单模态图像的人工智能模型,该模型可更全面地评估患者病变情况,能够更好地为近视防控服务。