目的：评估深度学习算法在视网膜眼底图像中执行不同任务的性能：（1）检测视网膜眼底图像与光学相干断层扫描 (OCT) 或其他图像，（2）评估优质视网膜眼底图像，（3）区分右眼 (OD) 和左眼 (OS) 视网膜眼底图像，（4）检测老年性黄斑变性 (AMD) 和 (5) 检测可转诊的青光眼性视神经病变 (GON)。患者和方法：设计了五种算法。从包含 306,302 张图像的数据库（Optretina 的标记数据集）进行回顾性研究。三位不同的眼科医生（均为视网膜专家）对所有图像进行分类。数据集按患者分为训练（80%）和测试（20%）两部分。采用了三种不同的 CNN 架构，其中两种是定制设计的，以最小化参数数量，同时对其准确性的影响最小。主要结果测量是曲线下面积 (AUC)，包括准确度、灵敏度和特异性。结果：视网膜眼底图像的测定 AUC 为 0.979，准确度为 96%（灵敏度 97.7%，特异性 92.4%）。高质量视网膜眼底图像的测定 AUC 为 0.947，准确度为 91.8%（灵敏度 96.9%，特异性 81.8%）。OD/OS 算法的 AUC 为 0.989，准确度为 97.4%。AMD 的 AUC 为 0.936，准确度为 86.3%（灵敏度 90.2%，特异性 82.5%），GON 的 AUC 为 0.863，准确度为 80.2%（灵敏度 76.8%，特异性 83.8%）。结论：深度学习算法可以将视网膜眼底图像与其他图像区分开来。算法可以评估图像的质量，区分右眼和左眼，并以高水平的准确度、灵敏度和特异性检测 AMD 和 GON 的存在。关键词：人工智能、视网膜疾病、筛查、视网膜眼底图像