人工智慧訓練使用視網膜掃描發現心臟疾病風險

眼睛中的血管反映了整個循環系統的狀態。

背後使用神經網路進行圖像識別的想法是，您不必告訴它在圖像中尋找什麼。你甚至不需要關心它的外觀。有了足夠的培訓，神經網路應該能夠挑選出能夠做出準確識別的細節。

對於諸如圖像中是否有貓的事情，神經網路在我們的視覺系統中並不提供很多（如果有的話）超過實際神經元的優勢。但是，他們可能發光的地方就是我們不知道要尋找什麼的情況。在某些情況下，圖像可能會提供人類不理解如何閱讀的細微信息，但是神經網路可以通過適當的培訓來加以利用。

現在，研究人員已經做到了這一點，通過使用患者視網膜圖像的深度學習演算法來識別心臟病風險。

這個想法並不像聽起來那麼堅決。視網膜具有豐富的血管集合，並且可以檢測那些也影響整個循環系統的問題; 像高膽固醇或血壓升高等事情在眼睛上留下痕迹。因此，由谷歌和Verily生命科學公司組成的研究團隊決定深入了解深度學習網路如何從視網膜圖像中識別出這些網路。

為了訓練這個網路，他們總共使用了近30萬個病人圖像，這些圖像上標有與年齡，吸煙狀況，血壓和BMI等心臟病有關的信息。一旦訓練完畢，系統就會被放置在另外13,000張圖像上，看看它是如何做到的。

通過查看視網膜圖像，該演算法通常能夠在患者實際年齡的3.5年內獲得。它在估計患者的血壓和體重指數方面也做得很好。鑒於這些成功，該團隊隨後訓練了一個類似的網路，使用這些圖像來估計未來五年內出現重大心臟問題的風險。它最終具有與使用上述許多因素估計心臟風險的計算類似的性能 - 但演算法完全是從圖像中完成的，而不是一些測試和詳細的問卷。

這項工作的精妙之處在於該演算法已經建立，因此它可以報告重點以便進行診斷。對於年齡，吸煙狀況和血壓等問題，該軟體重點關注血管的特徵。訓練它來預測性別最終導致它集中在散布在整個眼睛中的特定特徵，而身體質量指數最終沒有任何明顯的焦點，這表明在整個視網膜中BMI傳播的信號。

研究人員說，即使是一個300,000圖像的訓練集對於深度學習演算法來說也很小，所以他們認為如果有更多的數據可供使用，他們可以做得更好。需要改進，因為他們注意到與診斷計算相似的性能並不是那麼好，因為計算具有很大的不確定性。隨著一些改進，該演算法可能是一種有用的診斷工具，因為經常採用視網膜圖像來篩選與糖尿病有關的眼睛問題 - 而這又往往與心臟病有關。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！