在生物领域，很多细菌有类似螺旋推进器一样的“尾巴”，它们依靠着旋转“尾巴”在粘液中前进。同样，有些植物的种子，如天竺葵的种子会有刺芒。植物最终能够扎入深土，这些“小装备”功不可没。这些自然界的神奇现象启发了人类。

机器人如何像蜥蜴在沙地自由穿行？尾巴弯了就可以

天竺葵的种子

Texier 说：“因为沙子之间是松散且无法凝聚，这就使得机器人在颗粒介质中自由前进，变得异常困难。” 这就像汽车陷入沙坑时，虽然车轮一直转动却无法让汽车前进半步。但是线圈螺旋式的旋转可以切断细颗粒物质、减少阻力并使机器人能够顺畅前行。

“拥有了这项技能，机器人就可以在很多领域‘发光发热’了。比如在人类难以接近的地区——灾区、战区或者太空，它们能够身临现场帮助收集周围的环境信息。” 韩国西江大学的教授 Wonjung Kim 这样说，他专注于研究植物芒的旋转运动。

心脏病是一种常见的高发疾病。传统的治疗方法通常依赖于心电图、超声、X射线等大型仪器，可能不久后，会有一种更简单的心脏病检测方法问世。
视网膜图像派上用场

这项成果来自谷歌和其母公司Alphabet旗下的生命科学公司Verily。

在昨天发表的论文《Predicting Cardiovascular Risk Factors from Retinal Fundus Photographs using Deep Learning》中，他们展示了一种能在视网膜图像中发现心脏病风险的新研究。

这种方法对身体的侵入性较小、获取容易，并且还能用AI快速分析结果。

虽然目前医学界可通过部分身体表象判断患者是否患病，但谷歌和Verily算法能够自己分析患者年龄、性别、吸烟史、血压、血糖等相关信息。通过AI分析特征对心血管产生影响评估心脏衰竭的概率。

研究人员表示，该研究测试结果与欧洲心血管手术危险因素评分系统（SCORE ）检测结果基本一致。
论文摘要

一般来说，医学研究从关联研究开始，然后设计实验验证假设。然而，图像中的特征、模式、颜色、数值、形状在现实情况下通常信息量很大，因此观察并量化关联非常困难。

在这篇论文中，我们用深度学习的方法学习特征，从视网膜图像中找到需要的信息，之后用284335名患者上收集的信息训练模型，并用12026和999名患者的两组信息作为验证数据集。

我们在视网膜图像上预测以前认为并不存在或不可量化的心血管风险隐患，如年龄、性别(0.97 AUC)、吸烟状况(0.71 AUC)，HbA1c(1.39%以内)，心脏收缩压(11.23 mmHg以内)及主要心脏患病史(0.70 AUC)。

最后，我们从视神经盘、血管等入手，分布展示了每个预测的生成过程。
检测结果

论文结尾，研究人员给出了系统预测的结果与真实情况的对照信息。我们可以看到，通过AI分析视网膜的结果，与真实情况大致相同。

样本中患者预测年龄57.6岁，实际年龄59.1岁。预测患者为一名不吸烟且无糖尿病的女性，与真实情况相符。患者的身高体重指数（BMI）为26.3千克/每平方米，实际为24.1千克/每平方米，两者相差不大。心脏实际收缩压与舒张压分别为148.5mmHg与78.5mmHg，AI预测结果为148.0mmHg与86.6mmHg。





AI检测结果与实际情况对比
尚不可用

虽然谷歌称其测试与SCORE测试结果相当，但论文中没有与标准等价测试结果的对比说明，所以目前无法确定AI是否真的像医生一样好。同时，这一研究目前还没有进行同行评审。

研究人员也表示，虽然谷歌与Verily收集了近30万人的数据，但这些数据集中白人和西班牙裔患者的信息。研究人员在论文提醒，虽然系统检测效果良好，但对于AI来说30万的数据集仍然很小，需要进一步测试。