人工智慧訓練使用視網膜掃描發現心臟病風險

谷歌及其子公司Verily的科學家們發現了一種利用機器學習來評估一個人患心臟病風險的新方法。通過分析病人眼睛後部的掃描結果，該公司的軟體能夠準確地推斷出資料，包括個人的年齡、血壓，以及他們是否吸菸。這些資訊可以用來預測他們患心臟病的風險，比如心臟病發作，與目前的主要方法大致相同。

使用神經網路進行影像識別的優勢是，你不必告訴它在影像中尋找什麼，你甚至不需要關心它尋找什麼。有了足夠的訓練，神經網路應該能夠找出使其做出準確識別的細節。

就像要弄清楚影像中是否有貓一樣，神經網路並不能提供比我們視覺系統中的實際神經元更多（如果有的話）的優勢。但它們的優勢能在我們不知道應該尋找什麼的情況下得以發揮。在某些情況下，影像可能會提供人類無法理解的細微資訊，但是神經網路可以通過適當的訓練來獲取這種資訊。

現在，研究人員已經做到了這一點，即利用病人視網膜的影像訓練出一種深度學習演算法來識別心臟病的風險。視網膜中有著豐富的血管，因此可以檢測出整個迴圈系統中所存在的問題；例如高膽固醇或高血壓等疾病都會在眼睛裡留下痕跡。因此，一個由谷歌和Verily生命科學公司研究人員組成的研究團隊決定看看一個深度學習網路如何能夠從視網膜影像中找到這些痕跡。

為了訓練這個網路，他們使用了將近30萬張帶有心臟病相關資訊（比如年齡、吸菸狀況、血壓和體重指數）的網膜影像。該系統經過訓練後，又在另外1萬3千張影像上進行應用，以瞭解它是如何運作的。

僅通過觀察視網膜影像，該演算法給出的患者年齡與其真實年齡的差距一般在3.5年內。它在估計病人的血壓和體重指數方面也做得很好。考慮到這些成功，該團隊隨後訓練了一個類似的網路，利用這些影像來估計未來五年內發生重大心臟問題的風險。結果顯示，其效能與根據上述多種因素得到的心臟病風險評估計算結果類似，但該演算法是通過影像完成估計的，而不是通過一些測試和詳細的問卷調查。

這項工作的精妙之處在於該演算法已經建立，因此它可以告訴人們它是根據哪些重點依據做出診斷的。對於年齡、吸菸狀況和血壓等問題，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專注於分散在眼睛周圍的特定特徵，而體重指數最終沒有任何明顯的焦點，這表明體重指數訊號會被傳播到整個視網膜中。

研究人員表示，即使是30萬張影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資料可供使用，他們可以做得更好。由於計算具有很大的不確定性，他們注意到類似於診斷計算的效能並不是很好，所以演算法還需要改進。隨著一些改進措施的推出，該演算法可能成為一種有用的診斷工具，因為視網膜影像常被用來篩查與糖尿病相關的眼睛問題，而糖尿病通常與心臟病有關。