来自伦敦大学学院和Moorfields眼科医院的研究人员开发了一种人工智能模型，可以通过分析患者的视网膜图像来检测患者患各种疾病的风险。
这并不是人工智能第一次被用于分析视网膜扫描，但研究人员使用他们的RETFound模型所采取的方法将加速这一医学领域的发展。
标准的机器学习模型通常在大量的数据集上训练。如果你想让你的模型能够识别一个有特定疾病风险的人的视网膜，你需要在大量的代表性图像上训练它。
为机器学习准备医学影像数据非常昂贵，而且需要很长时间。与外包给低成本国家的基本数据标签不同，医学图像需要由专业医生进行分析和标签。
创建RETFound的研究人员采取了不同的方法，并通过自我监督学习（SSL）来训练他们的模型。
他们没有使用精心策划和标记的图像，而是在160万张未标记的视网膜图像上训练模型。
视网膜图像疾病检测的基础模型–自然https://t.co/M2g0L4MMl4
– nature（@ nature）2023年9月13日
Pearse Keane是该项目的一部分，他解释说：“在数百万张图像的过程中，模型以某种方式学习视网膜是什么样子的，以及视网膜的所有特征是什么。
一旦模型有了正常视网膜的良好基线，它可以通过额外的训练进行微调。
然后，研究人员只需要对另外100张来自患有特定疾病的人的视网膜图像和100张来自没有疾病的人的视网膜图像来训练模型。
结果令人印象深刻，RETFound能够以极高的确定性检测眼部疾病，如糖尿病视网膜病变。
该模型预测帕金森氏症、缺血性中风、心肌梗死和心力衰竭等疾病的能力有限，但仍然优于其他模型。
该模型已经公开可用，将为其他研究人员节省大量时间来开发用于检测特定疾病的模型。
该研究报告指出，使用RETFound作为基础模型“可以节省约80%的训练时间，以实现预测心肌梗死的任务收敛。
将人工智能应用于视网膜扫描是一个令人兴奋的研究领域。你的视网膜是你健康的窗口。它是人体唯一可见毛细血管网络的部位。
基恩说：“如果你有一些系统性心血管疾病，比如高血压，这可能会影响到你体内的每一条血管，我们可以直接在视网膜图像中看到这一点。”
想象一下，像RETFound这样经过适当训练的模型在缺乏足够医生的贫穷国家对疾病的早期诊断可能产生的影响。
你可以让数百人接受由护士进行的视网膜扫描，然后让人工智能在AWS等云平台上处理图像。有风险的病人可以被识别出来，然后由医生检查，而不是试图检查所有到农村诊所的来访者。
即使在目前的早期发展状态，这种人工智能也可以在今天拯救生命，而不仅仅是在遥远的未来。
