目的 基于眼底彩照，分别应用经典卷积神经网络DenseNet121和轻量级网络GhostNet训练糖尿病视网膜病变（diabetic retinopathy, DR）的诊断模型（将DR和正常眼底做区分）和鉴别诊断（将DR和其他眼底病做区分）模型，评价基于轻量级网络GhostNet的DR诊断模型的应用价值。方法 收集大样本的眼底彩照29 535张（含DR 9 883张、正常眼底2 000张、用于做鉴别诊断的其他致盲性眼底病17 652张）。分别采用经典卷积神经网络DenseNet121和轻量级网络GhostNet建模，并借助迁移学习做模型训练。采用受试者工作特征（receiver operating characteristic, ROC）曲线及其曲线下面积（area under the curve, AUC）、灵敏度、特异度、准确率评价模型性能。结果 与基于DenseNet121的模型相比，基于GhostNet的模型对单张眼底照的诊断时间缩短了60.3%。在DR的诊断方面，基于GhostNet的模型的AUC值、灵敏度、特异度、准确率分别为0.911、0.888、0.934、91.3%，基于DenseNet121的模型的AUC值、灵敏度、特异度、准确率分别为0.954、0.921、0.986、95.5%。在DR与其他眼底病的鉴别诊断方面，基于GhostNet的模型的AUC值、灵敏度、特异度、准确率分别为0.862、0.856、0.901、87.8%；基于DenseNet121的模型的AUC值、灵敏度、特异度、准确率分别为0.899、0.871、0.935、90.2%。结论 基于GhostNet轻量级神经网络构建的DR诊断模型和鉴别诊断模型，其诊断效率较经典模型DenseNet121有显著提升，并且模型兼具较高的准确率。对于社区医院等缺乏眼科医师且设备性能不高的基层医疗机构，可考虑应用该技术开展DR的初筛。