人工智能工具之前已经接受过使用视网膜图像检测疾病的训练，但这款名为 RETFound 的新工具的特殊之处在于，它是使用一种称为自我监督学习的方法开发的。这意味着研究人员不必分析用于训练的 160 万张视网膜图像中的每一张，并将它们标记为“正常”或“不正常”等。此类过程既耗时又昂贵，并且在大多数标准机器学习模型的开发过程中都是必需的。
相反，科学家们使用了一种类似于训练 ChatGPT 等大型语言模型的方法。该人工智能工具利用无数人类生成的文本示例来学习如何从前面单词的上下文中预测句子中的下一个单词。以同样的方式，RETFound 使用大量视网膜照片来学习如何预测图像缺失部分的外观。
“在数百万张图像的过程中，模型以某种方式了解了视网膜的样子以及视网膜的所有特征是什么，”伦敦 Moorfields 眼科医院 NHS 基金会信托基金的眼科医生皮尔斯·基恩 (Pearse Keane) 说，他是一篇论文的合著者今天发表在Nature 1上，描述了该工具。这构成了模型的基石，并将其归类为某些人所说的基础模型，这意味着它可以适用于许多任务。
一个人的视网膜可以提供了解其健康状况的窗口，因为它们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。“如果您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，我们可以直接在视网膜图像中将其可视化，”基恩说。
科学家们使用 ChatGPT 从头开始生成整篇论文 - 但这有什么好处吗?
视网膜也是中枢神经系统的延伸，与大脑有相似之处，这意味着视网膜图像可用于评估神经组织。“问题在于，很多时候人们不具备解读这些扫描的专业知识。这就是人工智能发挥作用的地方，”基恩说。
一旦他们对 160 万张未标记的视网膜图像进行了 RETFound 预训练，Keane 和他的同事就可以引入少量标记图像(例如，100 张来自帕金森病患者的视网膜图像和 100 张来自未患帕金森病患者的视网膜图像)进行教学。特定条件下的模型。基恩说，从所有未标记的图像中了解了视网膜应该是什么样子后，该模型就能够轻松地了解与疾病相关的视网膜特征。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！