动态 | 谷歌大脑医疗影像研究新进展，通过视网膜影像预测心脑血管疾病风险

AI 科技评论按：Google Brain 团队近日发现一种使用机器学习来评估心脑血管疾病风险的新方法。这种方法通过分析病人的眼睛影像，能够精确地推断出包括病人年龄、血压、是否吸烟等的相关因素，通过这些因素可以预测病人遭受重大心脑血管疾病的风险——比如心脏病发作。

这种方法与当前最先进的方法相比具有大致相同的准确度，而其优点在于，可以为医生提供快速、便捷的方法来分析病人的心脑血管疾病，并且不需要血液测试。可能更为重要的是，这项工作代表了科学发现的一种新方法。

相关的工作（Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning）在昨日发表在了 Nature 子刊《Biomedical Engineering》。

下面为论文作者 Lily Peng 关于这项工作的博文。

心脏病发作、中风以及其他心脑血管疾病（cardiovascular，CV）仍然是公共卫生中最重要的问题之一，而评估心脑血管疾病发生的风险是减少患者在未来突发疾病最为关键的一个环节。为了做出这个评估，医生考虑了各种各样的风险因素，例如遗传因素（如年龄、性别）、生活因素（吸烟、血压）等。虽然这些因素大多数都可以直接询问患者，但还是有一些因素（例如胆固醇）需要抽血才能知道。此外，医生还需要考虑患者是否患有其他疾病（例如糖尿病）。

近来，我们已经做了许多通过深度学习技术来帮助提高医学影像诊断准确性的例子 [1-4]，尤其是糖尿病眼病（ diabetic eye disease）。最近我们又在 Nature 子刊《Biomedical Engineering》上发表了《Prediction of Cardiovascular Risk Factors from Retinal Fundus Photographs via Deep Learning》一文。我们发现，除了能够检测眼病以外，眼睛影像还可以非常准确地预测心脑血管疾病的其他指标。这个发现让人非常兴奋，因为它表明我们可以从眼睛影像中发现更多的诊断健康问题的方法。

通过使用 284335 名患者的数据训练深度学习算法，我们可以从两个独立的（12026 个患者、999 个患者）视网膜影像数据集中以极高的精度来预测心脑血管疾病的风险因素。例如我们的算法在区分吸烟者和不吸烟者的视网膜影像时，AUC（随机选取一个正例和一个负例，分类器给正例的打分大于分类器给负例的打分的概率）为 0.71。此外，虽然医生通常可以区分严重的高血压患者和正常患者的视网膜影像，但我们的算法可以进一步将心脏收缩压的预测（平均来讲）精确到 11mmHg 范围内，对所有患有和不患有高血压的群体均有效。

左图：眼睛后部影像，显示黄斑（中间的黑点）、视盘（右边的亮点）和血管（右边的深红线）。右图：灰色视网膜影像，深度学习算法使用的像素可以预测以绿色阴影（热图）突出显示的血压。我们发现早期心脑血管风险因素预测使用了一个独特的模式，然后用视神经盘预测其他疾病。

除了从视网膜影像预测各种风险因素（年龄、性别、吸烟、血压等）外，我们的算法在直接预测心脑血管疾病风险方面也相当准确。我们的算法使用整个影像来量化影像与心脏病发作或中风等疾病之间的关联。给出两张视网膜影像，一张来自遭遇过心脑血管突发事件（例如心脏病突发）的患者（患心血管病 5 年以上），一张来自没有遭遇过的患者，我们的算法区分两者的 AUC 为 70%。这个结果接近通过抽血来测量胆固醇等相关因素的方法的正确率。

可能更为重要的是，我们借助注意力机制查看算法如何做出预测，从而打开了「黑箱」。我们可以借助这项技术生成一个热图，来显示哪些像素对于预测特定的 CV 风险因素更为重要。例如，我们的算法在预测血压时会更加关注血管，如上图所示。对医生来说，解释算法如何进行预测可能会让他们对预测的结果更有信心。此外，这也有助于为将来对 CV 风险与视网膜的科学研究提供建设性假设。

在更广泛的层面上来讲，我们对这项工作也感到非常的兴奋，因为它可能代表了科学发现的新方法。传统上的医学发现通常是通过复杂的猜测和测试（guess and test）才能获得——通过观察提出假设，然后设计和进行试验来验证这种假设。然而在医学影像这个领域，由于实际影像中存在各种特征、图案、颜色、数值和形状，观察和量化其间的关系可能极为困难。我们通过深度学习来构建人体解剖变化与疾病之间的关系，这种方法就类似于医生学习如何将体征症状与新疾病的诊断联系起来。所以这种方法可以帮助科学家产生更多更有针对性的假设，并推动未来医学研究的广泛发展。

当然，尽管有这些有希望的结果，但仍有很多工作要做。首先，我们标有吸烟状况、心脏收缩压、年龄、性别和其他变量的数据集中只有几百例心脑血管实例，我们期待能够有更大、更全面的数据集来开发和测试我们的算法。此外，为了使这项研究对患者有用，随后我们将研究干预措施（例如生活方式的改变或药物对风险预测的影响）可能产生的结果。我们将产生新的假设和理论来进行测试。

via research.googleblog.com, AI 科技评论编译

参考：

[1] Gulshan, V. et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA 316, 2402–2410 (2016).

[2] Ting, D. S. W. et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA 318, 2211–2223 (2017).

[3] Esteva, A. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature (2017). doi:10.1038/nature21056

[4] Ehteshami Bejnordi, B. et al. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA 318, 2199–2210 (2017).