眼睛中的血管反映了整个循环系统的状态
图中黄色斑点是视网膜变性的部位
运用神经网络进行图像识别，背后的想法是：您不必告诉它在图像中寻找什么。甚至也不需关心它到底要找啥。只要有足够的训练，神经网络自己就能找到做出准确判断所需要的细节。
在诸如识别一幅图中是否有只猫这类辨识问题上，没有证据显示神经网络比人类视觉系统中的实际神经元有多大（如果有的话）优势。不过在我们不知道从中能发现什么的地方，神经网络却有很大的潜力“发光发热”。在很多场合，图像包含了人类还无法理解辨识的细息，而神经网络经过适当的训练，就能很好地利用这些微妙信息。
现在，研究人员已经做到了这一点，通过深度学习算法分析患者视网膜图像来识别罹患心脏病的风险。
这想法并不像听起来那么疯狂。视网膜具有丰富的血管，可以通过检测视网膜血管里那些同时也会影响整个循环系统的毛病，像高胆固醇或高血压等在眼睛上留下的痕迹来诊断这些疾病。因此，谷歌和VerilyLifeSciences（注：Verily是AlphabetInc.专门研究生命科学的研究机构。）组织了一个研究团队，决定详细研究深度学习神经网络能从视网膜图像中辨别出这些疾病的效果到底如何。
他们总共使用了近30万个病患图像来训练这个网络，这些图像上标有与心脏病有关的信息，包括：年龄，吸烟史，血压和BMI（注：BMI是世界公认的一种评定肥胖程度的分级方法）等。一旦训练完毕，就会开始用来对另外13,张病患的视网膜图片进行判读，看看效果如何。
通过查看视网膜图像，该算法通常能够提前3.5年诊断出高胆固醇疾病。它在估计患者的血压和BMI指数方面也做得很好。鉴于这些成功，该团队随后训练了一个类似的网络，使用这些图像来估计未来五年内出现重大心脏疾病的风险。它最终具有与上述使用许多因素估计心脏疾病风险的计算类似的性能-但新的算法完全依赖图像深度挖掘，而不需额外的测试和详细的问卷调查（注：不用检测患者的BMI或者询问吸烟史等）。
这项工作的精妙之处在于该算法已经建立，因此它可以回报诊断的主要依据。对于年龄，吸烟状况和血压等的判定，软件主要是依据了血管的特征。训练它来预测性别最终导致它主要依据散布在整个眼睛中的特定特征，而对于身体质量指数（BMI）的预测，最终没有任何明显的焦点，这表明BMI信号在整个视网膜中都有传播。
研究人员说，即使是,张图片的训练集对于深度学习算法来说也还显少，他们认为如果有更多的训练图片，模型会做得更好。同时算法也需要改进，因为他们注意到与诊断计算相似的性能并不总是那么好，计算具有很大的不确定性。经改进后，该算法可能是一种有用的诊断工具，因为临床经常采用视网膜图像来诊断与糖尿病有关的眼睛问题-而这又往往与心脏疾病有关。
NatureBiomedicalEngineering，.DOI：10./s---0
赞赏
长按向我转账
受苹果公司新规定影响，iOS版的赞赏功能被关闭，可通过转账支持。
北京哪个医院治疗白癜风安全性高白癫风那家三甲好转载请注明：http://www.junmaoleatherco.com/zyzlxzb/2309.html
