Bringing medical advances from the lab to the clinic.
关键词：视网膜；人工智能；Nature
导言：
(视网膜成像。图源：Google)
超早期发现疾病并进行干预，可以大幅提高治疗的成功率，由此备受重视。
人的视网膜是人体唯一可以直接观察到由最小血管组成的毛细血管网络的部分，由此也成为了解人体健康状况的窗口。
“如果患有某些系统性心血管疾病，例如高血压，它可能会影响您体内的每条血管，我们可以在视网膜图像中直接可视化，”
也由此，既往已有医学科学家做了很多成果显著的研究
，如

1）糖尿病视网膜病变的检测
使用视网膜图像来诊断和监控糖尿病视网膜病变的进展。
2）心血管疾病的预测
一些研究已经表明，通过分析视网膜血管的形态和结构，可以预测一个人的心血管疾病风险。
3）年龄相关黄斑变性的研究
通过分析视网膜图像，研究者可以识别出与年龄相关黄斑变性有关的标志。
4）神经退行性疾病的研究
近年来，有些研究开始探索视网膜图像在神经退行性疾病（如帕金森病和阿尔茨海默病）诊断中的应用。
尽管如此，绝大多数成果仍处于研究阶段，且需要大量的科研人员逐一标记疾病，以寻找相关性。
2023年9月13日，英美科学家联合在Nature发表了题为“A foundation model for generalizable disease detection from retinal images”的文章，在这项研究中，科学家们已开发出一个名为“RETFound”的人工智能工具，可以自动分析个体的视网膜图像来诊断和预测多种健康问题的风险，从眼疾到心脏衰竭再到帕金森病。
该工具展示了非常广泛的临床应用潜力，并且不需要人工标记而有系统自动识别。
如果您需要这篇文章的原文，可以文末加科研助手索取。
该工具被命名为“RETFound”，通过自我监督学习方法进行训练，这意味着在其160万视网膜训练图像中，研究人员无需将每一张标记为“正常”或“不正常”。
通过类似于训练大型语言模型ChatGPT的方法，RETFound可以学会预测图像的缺失部分应该是什么样子。
在用于检测糖尿病视网膜病变的测试中，该模型在0.5（随机预测）到1（完美模型）的评分标准中获得了0.822到0.943的得分。
虽然在预测系统性疾病（如心脏病、中风和帕金森病）的风险时其总体性能有限，但仍优于其他AI模型。
该模型标志着基础模型在医学影像领域的成功应用，可以进一步应用到许多任务中。
编者按：
“RETFound”打开了一个新的可能性，即使用未标记的数据进行初步训练，从而为研究人员解决了一个主要的瓶颈问题。
将来，它可以适应更多的医学影像类型，包括更复杂的MRI或CT扫描。
目前，作者已公开提供了该模型，全球的团队都能够根据自己的需要对其进行调整和训练。所以如果你也有这方面的数据，赶紧来用吧，也许借助该工具产生新突破的团队就是你！
参考文献：
【1】 Zhou Y, et al. A foundation model for generalizable disease detection from retinal images. Nature. 2023 Sep 13. doi: 10.1038/s41586-023-06555-x. Epub ahead of print. PMID: 37704728.
声明：
本文只是分享和解读公开的研究论文及其发现，以作科学文献记录和科研启发用；并不代表作者或本公众号的观点。
为了给大家提供一个完整而客观的信息视角，我们有时会分享有冲突或不同的研究结果。请大家理解，随着对疾病的研究不断深入，新的证据有可能修改或推翻之前的结论。
本期编辑：Henry，微信号healsan。助理：ChatGPT
Hanson临床科研团队，在美国的七位生物医学科学家主持。通过大数据分析，解析生物医学发展趋势；通过SCI论文解读，分享临床科研技巧和最新研究进展；通过专家讲座，交流课题设计、统计分析和SCI论文撰写规范。只提供以数据为基础的客观报告，及专业、独立的思考。
点击👆，让SCI和基金成为临床工作的副产品！
更多阅读：
（点击👆图片，进入自己感兴趣的专辑。或获得点击“资源”，浏览本公众号所有资源。）
（扫描👆，与科研助手联系获取原文；请备注“20230915Nature”）
继续阅读
阅读原文