雷锋网按：本文译自Google blog，作者：Lily Peng（Google医学影像产品经理）

以后，心脏病、中风和其他心血管疾病依旧是顺手的公共卫生难题。

而评价疾病风险则是前期降低患者患心血管疾病能够性的关键步骤。为做好这一步，医生们将众多风险要素归入评价范围，其中包括：遗传（年龄和性别），生活方式（吸烟和血压）。

虽然这些风险要素的相关状况大多可以经过讯问病人来获取，但理解其他风险要素却没那么复杂，如胆固醇需抽血检验。医生也要思索病人能否患有糖尿病等其他疾病，这些成绩也往往关系到心血管疾病。

近期，我们曾经看到许多使用深度学习进步医学影像辅佐诊断精确度的案例，尤其在糖网病方向。去年8月底在《Nature》杂志上宣布的 《关于经过眼底图像预测心血管风险要素》 中，除了检测糖网病外，我们还展现了经过眼底图还可以很精确地检测其他心血管疾病目标。

这个发现令人异常兴奋，由于它标明我们可以经过眼底图像，去筛查出更多的病变。

我们团队经过来自284335名患者数据上训练的深度学习模型，辨别从12026例和999例的两个独立眼底验证图像数据集中，以惊人的精确度预测病人的心血管疾病风险因子。

例如，我们的算法经过眼底图像区分吸烟者与不吸烟者的精确率有71%。此外，当医生可从视网膜图像上分辨病人有没有高血压时，我们的算法可以更深化地预测心脏膨胀血压，在一切病患身上均匀误差为 11 mmHg，包括那些有或没有高血压的患者。

左图：黑色局部的眼球显示了黄斑（两头深色的局部、视神经盘（左边的亮点）、血管（从亮点向外扩展的深色红弧线）

右图：灰色视网膜图像，用绿色突出的（热图）是用来训练深度学习模型预测血压的像素。我们发现每个心血管风险因子预测运用不同形式，例如血管用于血压，视盘用于其他预测。

除了从视网膜图像预测各种风险要素（年龄，性别，吸烟史，血压等），我们的算法在直接预测心血管疾病风险方面精确率很高。算法运用整个图像来量化图像与心脏病发作／中风之间的关联。基于两张眼底图像（1张是长达5年后阅历过严重心血管疾病患者的眼底图像，另1伴随着互联网和移动生活的日趋成熟，芝麻信用高分和良好的个人征信记录，不仅可以办理贷款、申请信用卡延伸你的财富，更能大大便利我们的生活。张是没有突发心血管疾病的患者的眼底图像），我们的算法可以以70%的精确率检测出患有心血管疾病的患者。

这一精确率接近需求抽血测量胆固醇的其他心血管疾病风险检验的精确性。

更重要的是，我们运用留意机制（Attention）办法翻开了“黑盒子”，解释算法是如何停止预测的。

经过相关技术自动生成一幅热力图，显示哪些像素关于预测特殊的心血管风险因子是最重要的。如上图所示，这套算法更注重血管情况来预测血压。算法的可解释性，使得方案也更具压服力。

与此同时，这项技术有助于为未来对心血管风险和视网膜停止迷信研讨生成假定。

我们对这项任务感到十分兴奋，由于它能够代表了一种新的办法。传统意义上，医学发现通常是经过一种复杂的猜想和测试来完成的：察看，得出假定，然后设计和运转实验来测试假定。但是，由于实践图像中存在各种特征、图案、颜色、值和外形，因而察看和量化医学图像中的关联比拟困难。我们的办法是应用深度学习来绘制人体解剖学和疾病之间的关联，相似于医生联络症状和体征诊断新的疾病，这可以协助迷信家发生更有针对性的假定，并推进普遍的将来研讨。

即使有了这些后果，我们还有很多研讨任务去做。我们的数据集标注了许多如吸烟、膨胀压、年龄、性别和其他变量，但也仅有几百例精标注心血管疾病数据。我们等待能在更大、更全的数据集上开发和测试算法。

为了确保这对患者有用，我们将试图理解干涉措施的效果，如生活方式改动或在风险预测根底上的药物医治，将生成新的假定和实际来测试。 雷锋网雷锋网 (大众号：雷锋网)

参考：

[1] Gulshan, V. et al. Development and Validation of a 高端智能装备、新一代信息技术、新能源、新材料、新制造、新零售、新技术、生物制药等新的产业集群正在迸发活力;创新驱动、科技支撑、知识产权转化、技术转移等新的动能正在超越旧的动力，新经济成为支撑经济发展的重要力量。Deep Learning Algorithm for Detection ofDiabetic Retinopathy in Retinal Fundus Photographs. JAMA 316, 2402–2410 (2016).

[2] Ting, D. S. W. et al. Development and Validation of a Deep Learning System for DiabeticRetinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations WithDiabetes. JAMA 318, 2211–2223 (2017).

[3] Esteva, A. et al. Dermatologist-level classi cation of skin cancer with deep neural networks.Nature (2017). doi:10.1038/nature21056

[4] Ehteshami Bejnordi, B. et al. Diagnostic Assessment of Deep Learning Algorithms forDetection of Lymph Node metastases in Women With Breast Cancer. JAMA 318, 2199–2210(2017).

。