利用计算机视觉评估心血管风险因素

lixia01

心脏病发作、中风和其他心血管 (CV) 疾病仍然是最主要的公共卫生问题之一。评估这一风险是降低患者未来患心血管疾病可能性的关键第一步。为了进行评估，医生会考虑各种风险因素——一些是遗传因素（如年龄和性别），一些是生活方式因素（如吸烟和血压）。虽然大多数这些因素可以通过简单询问患者获得，但其他因素（如胆固醇）则需要抽血。医生还会考虑患者是否患有其他疾病，例如糖尿病，这与心血管事件风险显著增加有关。
最近，我们已经看到许多例子[1–4]，说明深度学习技术如何帮助提高医学成像诊断的准确性，尤其是糖尿病眼病。在《自然生物医学工程》上发表的“通过深度学习从视网膜眼底照片预测心血管风险因素”中，我们表明，除了检测眼部疾病外，眼部图像还可以非常准确地预测心血管健康的其他指标。这一发现尤其令人兴奋，因为它表明我们可能会发现更多通过视网膜图像诊断健康问题的方法。使用基于 284,335 名患者数据训练的深度学习算法，我们能够从视网膜图像预测 CV 风险因素，对于来自两个独立数据集（12,026 名和 999 名患者）的患者，准确率高得惊人。例如，我们的算法可以在 71% 的时间内区分吸烟者和非吸烟者的视网膜图像。此外，虽然医生通常可以区分严重高血压患者和正常患者的视网膜图像，但我们的算法可以更进一步预测总体患者（包括高血压患者和非高血压患者）的平均收缩压在 11 mmHg 以内。
除了根据视网膜图像预测各种风险因素（年龄、性别、吸烟、血压等）外，我们的算法还可以相当准确地直接预测心血管事件的风险。我们的算法使用整个图像来量化图像与心脏病发作或中风风险之间的关联。给定一名患者（最多 5 年后）的视网膜图像，该患者经历了一次重大心血管事件（例如心脏病发作），以及另一名未经历心血管事件的患者的图像，我们的算法可以在 70% 的时间内选出发生心血管事件的患者。这种性能接近其他需要抽血来测量胆固醇的心血管风险计算器的准确性。更重要的是，我们使用注意力技术
打开了“黑匣子”，以查看算法如何进行预测。这些技术使我们能够生成热图，显示哪些像素对于预测特定心血管风险因素最重要。例如，该算法在预测血压时更加关注血管，如上图所示。解释算法如何进行预测可以让医生对算法本身更有信心。此外，这种技术可以帮助为未来对心血管风险和视网膜的科学研究提出假设。从最广泛的层面来看，我们对这项工作感到兴奋，因为它可能代表了一种新的科学发现方法。传统上，医学发现通常是通过一种复杂的猜测和测试形式进行的——根据观察提出假设，然后设计和运行实验来检验这些假设。然而，对于医学图像，观察和量化关联可能很困难，因为真实图像中存在各种各样的特征、模式、颜色、值和形状。我们的方法使用深度学习来建立人体解剖学变化与疾病之间的联系，类似于医生如何学习将体征和症状与新疾病的诊断联系起来。这可以帮助科学家提出更有针对性的假设，并推动广泛的未来研究。有了这些有希望的结果，还有很多科学工作要做。我们的数据集有许多标有吸烟状况、收缩压、年龄、性别和其他变量的图像，但只有几百个 CV 事件示例。我们期待在更大、更全面的数据集上开发和测试我们的算法。为了使这对患者有用，我们将寻求了解生活方式改变或药物等干预措施对我们的风险预测的影响，并将生成新的假设和理论进行测试。