人工智能训练使用视网膜扫描发现心脏病风险

谷歌及其子公司Verily的科学家们发现了一种利用机器学习来评估一个人患心脏病风险的新方法。通过分析病人眼睛后部的扫描结果，该公司的软件能够准确地推断出数据，包括个人的年龄、血压，以及他们是否吸烟。这些信息可以用来预测他们患心脏病的风险，比如心脏病发作，与目前的主要方法大致相同。

使用神经网络进行图像识别的优势是，你不必告诉它在图像中寻找什么，你甚至不需要关心它寻找什么。有了足够的训练，神经网络应该能够找出使其做出准确识别的细节。

就像要弄清楚图像中是否有猫一样，神经网络并不能提供比我们视觉系统中的实际神经元更多（如果有的话）的优势。但它们的优势能在我们不知道应该寻找什么的情况下得以发挥。在某些情况下，图像可能会提供人类无法理解的细微信息，但是神经网络可以通过适当的训练来获取这种信息。

现在，研究人员已经做到了这一点，即利用病人视网膜的图像训练出一种深度学习算法来识别心脏病的风险。视网膜中有着丰富的血管，因此可以检测出整个循环系统中所存在的问题；例如高胆固醇或高血压等疾病都会在眼睛里留下痕迹。因此，一个由谷歌和Verily生命科学公司研究人员组成的研究团队决定看看一个深度学习网络如何能够从视网膜图像中找到这些痕迹。

为了训练这个网络，他们使用了将近30万张带有心脏病相关信息（比如年龄、吸烟状况、血压和体重指数）的网膜图像。该系统经过训练后，又在另外1万3千张图像上进行应用，以了解它是如何运作的。

仅通过观察视网膜图像，该算法给出的患者年龄与其真实年龄的差距一般在3.5年内。它在估计病人的血压和体重指数方面也做得很好。考虑到这些成功，该团队随后训练了一个类似的网络，利用这些图像来估计未来五年内发生重大心脏问题的风险。结果显示，其性能与根据上述多种因素得到的心脏病风险评估计算结果类似，但该算法是通过图像完成估计的，而不是通过一些测试和详细的问卷调查。

这项工作的精妙之处在于该算法已经建立，因此它可以告诉人们它是根据哪些重点依据做出诊断的。对于年龄、吸烟状况和血压等问题，该软件重点关注血管的特征。训练它来预测性别最终导致它专注于分散在眼睛周围的特定特征，而体重指数最终没有任何明显的焦点，这表明体重指数信号会被传播到整个视网膜中。

研究人员表示，即使是30万张图像的训练集对于深度学习算法来说也很小，所以他们认为如果有更多的数据可供使用，他们可以做得更好。由于计算具有很大的不确定性，他们注意到类似于诊断计算的性能并不是很好，所以算法还需要改进。随着一些改进措施的推出，该算法可能成为一种有用的诊断工具，因为视网膜图像常被用来筛查与糖尿病相关的眼睛问题，而糖尿病通常与心脏病有关。