發(fā)布日期：2017-09-05

視網(wǎng)膜圖像派上用場 這項成果來自谷歌和其母公司 Alphabet 旗下的生命科學公司 Verily。 在論文《Predicting Cardiovascular Risk Factors from Retinal Fundus Photographs using Deep Learning》中，他們展示了一種能在視網(wǎng)膜圖像中發(fā)現(xiàn)心臟病風險的新研究。 這種方法對身體的侵入性較小、獲取容易，并且還能用 AI 快速分析結(jié)果。 雖然目前醫(yī)學界可通過部分身體表象判斷患者是否患病，但谷歌和 Verily 算法能夠自己分析患者年齡、性別、吸煙史、血壓、血糖等相關(guān)信息。通過 AI 分析特征對心血管產(chǎn)生影響評估心臟衰竭的概率。 研究人員表示，該研究測試結(jié)果與歐洲心血管手術(shù)危險因素評分系統(tǒng)（SCORE ）檢測結(jié)果基本一致。 論文摘要 一般來說，醫(yī)學研究從關(guān)聯(lián)研究開始，然后設計實驗驗證假設。然而，圖像中的特征、模式、顏色、數(shù)值、形狀在現(xiàn)實情況下通常信息量很大，因此觀察并量化關(guān)聯(lián)非常困難。 在這篇論文中，我們用深度學習的方法學習特征，從視網(wǎng)膜圖像中找到需要的信息，之后用 284335 名患者上收集的信息訓練模型，并用 12026 和 999 名患者的兩組信息作為驗證數(shù)據(jù)集。 我們在視網(wǎng)膜圖像上預測以前認為并不存在或不可量化的心血管風險隱患，如年齡、性別 (0.97 AUC)、吸煙狀況(0.71 AUC)，HbA1c(1.39% 以內(nèi))，心臟收縮壓(11.23 mmHg 以內(nèi)) 及主要心臟患病史(0.70 AUC)。 最后，我們從視神經(jīng)盤、血管等入手，分布展示了每個預測的生成過程。 檢測結(jié)果 論文結(jié)尾，研究人員給出了系統(tǒng)預測的結(jié)果與真實情況的對照信息。我們可以看到，通過 AI 分析視網(wǎng)膜的結(jié)果，與真實情況大致相同。 樣本中患者預測年齡 57.6 歲，實際年齡 59.1 歲。預測患者為一名不吸煙且無糖尿病的女性，與真實情況相符?；颊叩纳砀唧w重指數(shù)（BMI）為 26.3 千克 / 每平方米，實際為 24.1 千克 / 每平方米，兩者相差不大。心臟實際收縮壓與舒張壓分別為 148.5mmHg 與 78.5mmHg，AI 預測結(jié)果為 148.0mmHg 與 86.6mmHg。 尚不可用 雖然谷歌稱其測試與 SCORE 測試結(jié)果相當，但論文中沒有與標準等價測試結(jié)果的對比說明，所以目前無法確定 AI 是否真的像醫(yī)生一樣好。同時，這一研究目前還沒有進行同行評審。 研究人員也表示，雖然谷歌與 Verily 收集了近 30 萬人的數(shù)據(jù)，但這些數(shù)據(jù)集中白人和西班牙裔患者的信息。研究人員在論文提醒，雖然系統(tǒng)檢測效果良好，但對于 AI 來說 30 萬的數(shù)據(jù)集仍然很小，需要進一步測試。

來源：量子位