来自Google及其子公司Verily（专门从事医学技术的开发）的科学家们开发了一种新方法，可以识别出诸如冠心病和中风等心血管疾病发展的风险因素。 训练有素的神经网络可以根据眼底图像准确地计算出这些因素。
左上角的照片显示了来自UK Biobank基地的眼底扫描的彩色样本。 其余图像显示相同图像，但以黑白显示。 在每个标签上，以绿色标出一个热图，对应于每个获得的体征：年龄，性别，吸烟（是/否），平均血糖HbA1c，BMI体重指数，动脉收缩压SBP，动脉舒张压DBP。 指示了来自数据库的每个参数的实际数据，并由神经网络预测。
了解了这些因素，您就可以相当准确地计算出患上心血管疾病的可能性，而心血管疾病是
全世界主要的死亡原因 （约31％的死亡是由该原因引起的）。
使用新系统，医生可以节省大量时间，因为现在可以在几分钟内完成初步诊断，而不是进行多次测试。 此外，从理论上讲，该算法允许远程进行此类诊断。 仅需要检眼镜和可以拍照的专家。
镜子和电子检眼镜当然，虽然神经网络的准确性并不足以代替完整的诊断，但它显示出了可喜的结果。 在这里，人工智能并不能代替医生，而是会扩展其功能。
为了研究神经网络，Google和Verily的科学家使用了病历和大约30万名患者的眼底照片。 数据集的最大一部分来自EyePACS数据库（236,234名患者，1,682,938张图像）。 其余信息来自UK Biobank数据库。 尽管此处的数据较少，但是对于每个患者，都有有关体重指数，血压和吸烟事实的信息，而EyePACS数据库中没有这些信息。
检测人的视网膜疾病的想法并不新鲜。 即使在苏联，也进行了此类研究，并创建了用于分析视网膜图像的软件。 但是那时没有机器学习系统，因此程序员的可能性受到了限制。
如果Google神经网络接收到两名处理眼底照片的患者，其中一名在过去五年中患有心血管疾病，而另一名则没有，那么它正确地确定了70％的患者的隶属关系。 这比目前在医学中使用的SCORE算法的准确性稍差。 他的准确率是72％。
下表显示了确定性别，年龄和每种危险因素的准确性。
专家说，Google在特定的诊断任务中使用神经网络的方法是可靠的，因为人们早就知道视网膜是心血管疾病风险的良好预测指标。 因此，人工智能可以显着加速并有可能提高此类诊断的准确性。 当然，在诊所实际使用之前，该程序必须经过严格的测试，以便医生开始信任她。
这一发现是神经网络可以广泛用于现代医学，尤其是诊断学的又一证明。 我们只是在寻找在该领域使用AI的最显而易见的选择：
使用心电图诊断心律不齐 ，
使用X射线诊断肺炎 ，
诊断皮肤癌等。
使用AI诊断疾病的惊人可能性是Google启动
Baseline项目以在四年内为10,000人收集详细病历的原因之一。
该科学文章于2018年2月19日
发表在《
自然生物医学工程 》杂志
上 （doi：10.1038 / s41551-018-0195-0，
pdf ）。