摘要： 在评估年龄相关性黄斑变性（AMD）的严重程度时，年龄相关性眼病研究（AREDS）简化严重程度分级量表可预测进展为晚期AMD的风险。但该量表的手动应用需要专家投入耗时操作。尽管目前已有多种自动化深度学习系统能通过AREDS严重程度评分对单眼彩色眼底照片（CFP）进行分类，但尚无基于患者双眼图像综合评分的系统。 设计：本研究开发了深度学习模型DeepSeeNet，利用双眼CFP数据自动按AREDS简化严重程度分级量表（0-5分）对患者进行分类。 参与者：模型训练使用AREDS研究中4549名受试者长期随访的58,402张图像，测试集包含900张图像。金标准标签由阅片中心分级确定。 方法：DeepSeeNet通过模拟人工分级流程——先检测每只眼的独立AMD风险因素（玻璃膜疣大小、色素异常），再依据AREDS简化分级量表计算患者综合AMD严重程度评分。 主要结局指标：总体准确率、特异度、敏感度、Cohen's kappa系数及曲线下面积（AUC）。并与视网膜专家的诊断表现进行对比。 结果：在基于患者的分类中，DeepSeeNet表现优于视网膜专家（准确率0.671 vs 0.599；kappa值0.558 vs 0.467），且在检测大玻璃膜疣（AUC 0.94）、色素异常（AUC 0.93）和晚期AMD（AUC 0.97）时均呈现高AUC值。具体而言，该模型在大玻璃膜疣检测（准确率0.742 vs 0.696；kappa 0.601 vs 0.517）和色素异常检测（准确率0.890 vs 0.813；kappa 0.723 vs 0.535）上优于专家，但在晚期AMD检测方面稍逊（准确率0.967 vs 0.973；kappa 0.663 vs 0.754）。 结论：通过模拟人工分级过程，DeepSeeNet在基于AREDS简化分级量表自动划分患者AMD风险类别时展现出高准确性与透明性。这些结果凸显了深度学习辅助AMD临床决策的潜力，包括早期AMD筛查及晚期AMD风险预测。该模型已公开于https://github.com/ncbi-nlp/DeepSeeNet。