AI從視網膜檢測眼疾和帕金森病

特別報導

文 / 于思
研究人員開發了一種與 ChatGPT 類似的訓練模型，可用於評估多種健康狀況。瑪麗安娜·倫哈羅Mariana Lenharo發表在最新一期《自然》(Nature)的<人工智能從視網膜圖像中檢測眼部疾病和帕金森病風險>(AI detects eye disease and risk of Parkinson’s from retinal images)說，視網膜成像使研究人員和醫生能夠觀察小血管，其狀況可能暗示醫療保健問題。
科學家們開發了一種人工智能（AI）工具，能夠根據人們的視網膜圖像來診斷和預測多種健康狀況的風險——從眼部疾病到心力衰竭再到帕金森病。
人工智能從其結構中預測化學品的氣味
人工智能工具之前已經接受過使用視網膜圖像檢測疾病的訓練，但這款名為 RETFound 的新工具的特殊之處在於，它是使用一種稱為自我監督學習的方法開發的。這意味著研究人員不必分析用於訓練的 160 萬張視網膜圖像中的每一張，並將它們標記為「正常」或「不正常」等。此類過程既耗時又昂貴，並且在大多數標準機器學習模型的開發過程中都是必需的。
相反，科學家們使用了一種類似於訓練 ChatGPT 等大型語言模型的方法。該人工智能工具利用無數人類生成的文本示例來學習如何從前面單詞的上下文中預測句子中的下一個單詞。以同樣的方式，RETFound 使用大量視網膜照片來學習如何預測圖像缺失部分的外觀。
「在數百萬張圖像的過程中，模型以某種方式了解了視網膜的樣子以及視網膜的所有特徵，」倫敦Moorfields 眼科醫院NHS 基金會信託基金的眼科醫生皮爾斯·基恩(Pearse Keane) 說，他是一篇論文的合著者今天發表在Nature 1上，描述了該工具。這構成了模型的基石，並將其歸類為某些人所說的基礎模型，這意味著它可以適用於許多任務。
了解人類健康的窗口
人的視網膜可以提供了解其健康狀況的窗口，因為它們是人體唯一可以直接觀察到由最小血管組成的毛細血管網絡的部分。「如果您患有某些系統性心血管疾病，例如高血壓，它可能會影響您體內的每條血管，我們可以在視網膜圖像中直接可視化，」基恩說。
科學家們使用 ChatGPT 從頭開始​​生成整篇論文 - 但這有什麼好處嗎？視網膜也是中樞神經系統的延伸，與大腦有相似之處，這意味著視網膜圖像可用於評估神經組織。「問題在於，很多時候人們不具備解讀這些掃描的專業知識。這就是人工智能發揮作用的地方，」基恩說。
一旦他們對160 萬張未標記的視網膜圖像進行了RETFound 預訓練，Keane 和他的同事就可以引入少量標記圖像（例如，來自帕金森病患者的100 張視網膜圖像和未患帕金森病患者的100張視網膜圖像）來進行教學特定條件下的模型。基恩說，從所有未標記的圖像中了解了視網膜應該是什麼樣子後，該模型就能夠輕鬆地了解與疾病相關的視網膜特徵。
英國伯明翰大學研究人工智能負責任創新的臨床研究員劉曉軒表示，使用未標記的數據來初步訓練模型「為研究人員解決了一個主要瓶頸」。加利福尼亞州斯坦福大學醫學和影像人工智能中心主任、放射科醫生 Curtis Langlotz 對此表示同意。「高質量的醫療數據標籤非常昂貴，因此標籤效率已成為該領域的關鍵，」他說。
該系統在檢測糖尿病視網膜病變等眼部疾病方面表現良好。0.5 代表模型的性能不比隨機預測好，1 代表每次都做出準確預測的完美模型，糖尿病視網膜病變的得分在 0.822 到 0.943 之間，具體取決於所使用的數據集。在預測心髒病、心力衰竭、中風和帕金森氏症等全身性疾病的風險時，整體表現有限，但仍優於其他人工智能模型。Liu 表示，RETFound 是迄今為止將基礎模型應用於醫學成像的少數成功應用之一。
擴大應用範圍
研究人員現在正在展望用於開發 RETFound 的技術可能應用於哪些其他類型的醫學成像。Langlotz 說：「看看這些方法是否可以推廣到更複雜的圖像，這將會很有趣。」例如，磁共振圖像或計算機斷層掃描，這些圖像通常是三維甚至四維的。
世界準備好迎接 ChatGPT 治療師了嗎？
作者已將該模型公開，並希望世界各地的團體能夠對其進行調整和訓練，使其適用於自己的患者群體和醫療環境。「他們可能會採用這個算法並對其進行微調，使用來自自己國家的數據來獲得更適合他們使用的東西，」基恩說。
「這非常令人興奮，」劉說。但她補充道，使用 RETFound 作為其他模型檢測疾病的基礎是有風險的。這是因為該工具中嵌入的任何限制都可能會滲透到使用該工具構建的未來模型中。「現在由 RETFound 的作者來確保其道德和安全使用，包括透明地傳達其局限性，以便它能夠成為真正的社區資產。」