一般来说,医学研究从关联研究开始,然后设计实验验证假设。然而,图像中的特征、模式、颜色、数值、形状在现实情况下通常信息量很大,因此观察并量化关联非常困难。
在这篇论文中,我们用深度学习的方法学习特征,从视网膜图像中找到需要的信息,之后用 284335 名患者上收集的信息训练模型,并用 12026 和 999 名患者的两组信息作为验证数据集。
我们在视网膜图像上预测以前认为并不存在或不可量化的心血管风险隐患,如年龄、性别 (0.97 AUC)、吸烟状况(0.71 AUC),HbA1c(1.39% 以内),心脏收缩压(11.23 mmHg 以内) 及主要心脏患病史(0.70 AUC)。
后,我们从视神经盘、血管等入手,分布展示了每个预测的生成过程。
检测结果
论文结尾,研究人员给出了系统预测的结果与真实情况的对照信息。我们可以看到,通过 AI 分析视网膜的结果,与真实情况大致相同。
样本中患者预测年龄 57.6 岁,实际年龄 59.1 岁。预测患者为一名不吸烟且无糖尿病的女性,与真实情况相符。患者的身高体重指数(BMI)为 26.3 千克 / 每平方米,实际为 24.1 千克 / 每平方米,两者相差不大。心脏实际收缩压与舒张压分别为 148.5mmHg 与 78.5mmHg,AI 预测结果为 148.0mmHg 与 86.6mmHg。
尚不可用
虽然谷歌称其测试与 SCORE 测试结果相当,但论文中没有与标准等价测试结果的对比说明,所以目前无法确定 AI 是否真的像医生一样好。同时,这一研究目前还没有进行同行评审。
研究人员也表示,虽然谷歌与 Verily 收集了近 30 万人的数据,但这些数据集中白人和西班牙裔患者的信息。研究人员在论文提醒,虽然系统检测效果良好,但对于 AI 来说 30 万的数据集仍然很小,需要进一步测试。