《自然》子刊《自然-医学工程》发表了一篇关于使用机器学习技术进行疾病诊断的***新论文。研究人员们建立了若干个模型，仅通过观察视网膜眼底（retinal fundus）的图像，就能发现慢性肾病和2型糖尿病的痕迹！

本研究由张康教授、周永教授、王光宇教授、徐涛教授、及陈挺教授联合团队共同带来。《自然-医学工程》对本研究有很高评价，并邀请来自谷歌健康的三位专家对此研究做专文评述。

为什么要在视网膜眼底上做文章？这是因为视网膜可能含有许多疾病的先兆——这些疾病会影响视网膜的微血管、神经以及连接组织，从而在结构上反映出异常。

在过去几年中，利用机器学习技术进行医学影像处理、诊断疾病是一个新兴领域。倘若这一技术趋于成熟，无疑将会减少医疗成本，让广大百姓受益。然而时至今日，这一领域依旧处于早期阶段，尚有大量需要进行“概念验证”的工作。

▲本研究的模型设计

而这正是本论文的意义所在。研究人员们不仅在本研究中表明深度学习模型仅通过“观看”视网膜基底的照片，就能检测出慢性肾病和2型糖尿病。更令人振奋的是， 视网膜的照片能检测出肾功能和2型糖尿病***重要的指标：肾小球过滤率和血糖浓度。他们还证实这些模型能在多个不同的人群内得到功能验证，表明其具有潜在的广泛应用价值。

具体来看，研究人员们先建立了一系列检测慢性肾病和2型糖尿病的模型：其中一些模型基于患者的其他临床数据（如年龄、性别、身高、血压等）进行判断，另一些模型则使用近7万张视网膜的图片，通过医学影像进行判断。

比较结果表明，在诊断慢性肾病上，前者的AUC值（代表模型在判断“得病”和“没得病”时的准确度，极限为1）为0.861，后者则为0.918。也就是说，仅凭视网膜的影像数据，我们判断患者是否罹患慢性肾病的准确性就要高于使用临床数据的模型。如果将两个模型合并，准确率则进一步上升，AUC值达到了0.930，

▲在慢性肾病的诊断上，该模型（橙色）的表现要优于利用临床数据生成的模型（绿色）。两者综合起来的准确度***高（蓝色）

类似的，在诊断2型糖尿病上，研究人员们也观察到了同样的趋势。

值得一提的是，过去曾有研究人员建立过类似的模型，但在外部数据验证中没有取得理想的结果——基于患者临床数据的模型反而表现更好，而使用视网膜影像的模型反而会拖后腿，不仅自身表现不如前者，结合后的表现也不如只使用临床数据的模型。

相反，本研究中，研究人员们使用了多个外部数据进行验证，且数据涵盖不同的民族和人群，均取得一致的结果：视网膜影像模型优于仅使用临床数据的模型，而两者结合能达到***好的效果。

▲不同民族和人群的分析都证实了本模型的可靠程度

在论文中，研究人员们还评估了其他的一些应用可能，比如是否能用智能手机拍摄视网膜照片用于分析，或者是否能预测将来哪些人更有可能罹患慢性肾病和2型糖尿病。这些探索都取得了积极的结果。

《自然-医学工程》的专文评述指出，尽管目前这一模型还无法直接用于患者的直接诊断，但有望在人群规模的疾病筛选项目中发挥自己所长。此外，这一模型还有进一步优化空间，比如纳入患者的疾病家族史等数据，进一步提高准确性。我们也期待这项技术能在不远的将来得到进一步升级，造福病患！

RNA提取磁珠属于纳米生物磁珠的一种，主要作用是用于核酸提取过程中的RNA提取，粒径分布在500nm左右，是洛阳吉恩特生物自主研发生产的高分子纳米磁性微球，该磁珠悬浮时间长，磁响应时间迅速，对DNA甲基化过程中的提取环节提供良好的支持，可明显缩短实验时间，提高实验效率，并在提取结果上保持稳定，配合核酸提取仪，更能实现快速的RNA提取。