谷歌及其子公司Verily的科學家們發現了一種利用機器學習來評估一個人患心臟病風險的新方法。通過分析病人眼睛后部的掃描結果，該公司的軟件能夠準確地推斷出數據，包括個人的年齡、血壓，以及他們是否吸煙。這些信息可以用來預測他們患心臟病的風險，比如心臟病發作，與目前的主要方法大致相同。

使用神經網絡進行圖像識別的優勢是，你不必告訴它在圖像中尋找什么，你甚至不需要關心它尋找什么。有了足夠的訓練，神經網絡應該能夠找出使其做出準確識別的細節。

就像要弄清楚圖像中是否有貓一樣，神經網絡并不能提供比我們視覺系統中的實際神經元更多（如果有的話）的優勢。但它們的優勢能在我們不知道應該尋找什么的情況下得以發揮。在某些情況下，圖像可能會提供人類無法理解的細微信息，但是神經網絡可以通過適當的訓練來獲取這種信息。

現在，研究人員已經做到了這一點，即利用病人視網膜的圖像訓練出一種深度學習算法來識別心臟病的風險。視網膜中有著豐富的血管，因此可以檢測出整個循環系統中所存在的問題；例如高膽固醇或高血壓等疾病都會在眼睛里留下痕跡。因此，一個由谷歌和Verily生命科學公司研究人員組成的研究團隊決定看看一個深度學習網絡如何能夠從視網膜圖像中找到這些痕跡。

為了訓練這個網絡，他們使用了將近30萬張帶有心臟病相關信息（比如年齡、吸煙狀況、血壓和體重指數）的網膜圖像。該系統經過訓練后，又在另外1萬3千張圖像上進行應用，以了解它是如何運作的。

僅通過觀察視網膜圖像，該算法給出的患者年齡與其真實年齡的差距一般在3.5年內。它在估計病人的血壓和體重指數方面也做得很好。考慮到這些成功，該團隊隨后訓練了一個類似的網絡，利用這些圖像來估計未來五年內發生重大心臟問題的風險。結果顯示，其性能與根據上述多種因素得到的心臟病風險評估計算結果類似，但該算法是通過圖像完成估計的，而不是通過一些測試和詳細的問卷調查。

這項工作的精妙之處在于該算法已經建立，因此它可以告訴人們它是根據哪些重點依據做出診斷的。對于年齡、吸煙狀況和血壓等問題，該軟件重點關注血管的特征。訓練它來預測性別最終導致它專注于分散在眼睛周圍的特定特征，而體重指數最終沒有任何明顯的焦點，這表明體重指數信號會被傳播到整個視網膜中。

研究人員表示，即使是30萬張圖像的訓練集對于深度學習算法來說也很小，所以他們認為如果有更多的數據可供使用，他們可以做得更好。由于計算具有很大的不確定性，他們注意到類似于診斷計算的性能并不是很好，所以算法還需要改進。隨著一些改進措施的推出，該算法可能成為一種有用的診斷工具，因為視網膜圖像常被用來篩查與糖尿病相關的眼睛問題，而糖尿病通常與心臟病有關。