该数据基于早产儿视网膜病变（ROP）筛查的眼底彩照和相关临床危险因素，通过神经网络进行深度学习，对矫正胎龄45周内ROP的发生和严重程度进行准确的预测。本数据主要适用于眼科医生，可应用于临床对ROP进行早期筛查，并对ROP的发生和严重程度进行预测，有助于及时对ROP患者进行治疗，解决了目前传统ROP筛查方法对新生儿有损伤性等弊端，有利于及早识别高危患儿，确保对患儿及时治疗，降低ROP致盲风险；同时减少低危患儿不必要筛查次数，节约医疗资源。

该数据收集ROP筛查的眼底彩照和相关临床危险因素用于构建深度学习系统，对ROP的发生和严重程度进行自动预测。其中，预处理模块对新生儿的眼底彩照进行预处理，并将结果发送至特征提取模块。在ResNet-50卷积神经网络基础上构建得到的特征提取模块采用交叉熵损失函数评估卷积神经网络输出值和真实值之间的差异程度，用ReLU激活函数，将Dropout层作用在卷积神经网络的全连接层，将Batchnorm层作用在卷积神经网络中每层卷积层。并对在ImageNet数据集上进行了预训练的卷积神经网络进行调整，构建图像特征提取模型，提取眼底彩照图像特征。特征融合模块将眼底彩照的图像特征作为主输入，新生儿的临床变量文本数据作为辅助输入生成目标模态输出，得到新生儿眼底彩照的融合特征。网络构建模块对融合特征进行处理，得到新生儿每张眼底彩照对应的模型函数值。数据处理模块汇总新生儿眼底彩照的模型函数值并计算其平均值，得到该名新生儿预设是否发生ROP以及发生的ROP是否需要治疗的二进制分类函数值。所述预测模块可根据得到的二进制分类函数值以及预设阈值分别得到该名新生儿发生ROP和ROP的严重程度两个任务的预测结果。

ROP是全球儿童致盲的首要原因，早期对ROP进行有效的筛查和定期随访有助于减少严重ROP导致失明的风险，对早产儿来说至关重要。该数据主要适用于眼科医生，可以对ROP的发生和严重程度进行准确预测，从而及早识别严重ROP患儿并对其进行临床干预。另一方面，该数据能有效减少低危新生儿接受不必要筛查的次数、提高ROP筛查的效率，同时减轻眼科医生的工作负担。此外，传统ROP筛查方法通常难以在医疗水平低下、医疗资源匮乏的地区开展，有能力和意愿进行ROP筛查的儿科眼科医生或视网膜疾病专家也日益短缺，因此，该数据能有效帮助难以普及ROP筛查的地区进行ROP发生的预测，有利于平衡医疗资源分配，提高ROP的治愈率。

患者编号01、平均概率值01、ROP发病风险预测、患者编号02、平均概率值02、ROP严重程度预测。

患者编号01 平均概率值01 ROP发病风险预测 298534 0.085155968 0 1480359 0.218126665 0 1480409 0.286901478 0 患者编号02 平均概率值02 ROP严重程度预测 1480549 0.42072964 0 1480628 0.622573997 1 1481135 0.479297096 1 说明：1、平均概率值01：根据患者所有眼底彩照预测ROP发病风险的平均概率值；2、ROP发病风险预测：患者在矫正胎龄45周内是否患有ROP的结果：“0"/"1”；3、平均概率值02：根据患者所有眼底彩照预测ROP严重程度的平均概率值；4、ROP严重程度预测:患者在矫正胎龄45周内是否患有严重ROP的结果:“0"/"1”。