心脏病、中风以及其他心血管疾病一直是人类健康面临的棘手难题而评估疾病风险则是降低患者患心血管疾病可能性的关键步骤。为做好这一步，医疗诊断通常会将众多风险因素纳入评估范围，其中包含：遗传（年龄和性别），生活方式（吸烟和血压）。

虽然心血管风险因素的相关情况，大多可以通过询问病人来获取，但真正掌握风险因素却没那么简单，因为这不仅需要通过采集样本（如抽血检验），同时也要考虑引发心血管疾病的其他相关性疾病（如糖尿病）带来的影响。因此，如何快速准确获取疾病风险信息也就成为心血管疾病诊疗的关键所在。

近期，国内外包括谷歌AI 、润方ARIA 在内的许多通过人工智能和大数据分析提高医学影像辅助诊断准确度的案例，尤其在糖网病方向。它们除了检测糖网病外，还可以通过眼底图准确地检测其他心血管疾病指标，并利用视网膜成像分析技术对阿兹海默、糖尿病、中风等慢性疾病的预防与控制。

这个发现令人异常兴奋，因为它表明可以通过眼底图像，去筛查出更多的病变。

谷歌AI曾通过来自284335名患者数据上训练的深度学习模型，分别从12026例和999例的两个独立眼底验证图像数据集中，以惊人的准确度预测病人的心血管疾病风险因子。

例如，通过眼底图像区分吸烟者与不吸烟者的准确率有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，该技术可以更深入地预测心脏收缩血压，在所有病患身上平均误差为 11 mmHg，包括那些有或没有高血压的患者。

左图：黑色部分的眼球显示了黄斑（中间深色的部分、视神经盘（右边的亮点）、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使用不同模式，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因素（年龄，性别，吸烟史，血压等），包括ARIA在内的技术手段直接预测心血管疾病风险方面准确率很高。

基于两张眼底图像（1张是长达5年后经历过重大心血管疾病患者的眼底图像，另1张是没有突发心血管疾病的患者的眼底图像），通过整个图像来量化图像与心脏病发作／中风之间的关联，能够以70%的准确率检测出患有心血管疾病的患者。

这一准确率接近需要抽血测量胆固醇的其他心血管疾病风险检验的准确性。不过，最让人感觉兴奋的不是研究结果，更重要的是，这种方法打开了诊断领域的“黑盒子”，为以后的心血管疾病诊断提供了更多的可能，甚至为心血管诊断开创了一种全新途径。

传统意义上，医学发现通常是通过一种复杂的猜测和测试来完成的：观察，得出假设，然后设计和运行实验来测试假设。然而，由于实际图像中存在各种特征、图案、颜色、值和形状，因此观察和量化医学图像中的关联比较困难。而利用深度学习来绘制人体解剖学和疾病之间的关联，类似于医生联系症状和体征诊断新的疾病，这可以帮助科学家产生更有针对性的假设，并推动广泛的未来研究。

参考：

[1] Gulshan, V. et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic 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 Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. 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 for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA 318, 2199–2210 (2017).