通过分析视网膜图像诊断心脑血管疾病：谷歌大脑团队取得医疗深度学习新进展

选自Google Blog

作者：Lily Peng

机器之心编译

参与：许迪、黄小天

近日，Jeff Dean 在其推特上说：「谷歌大脑团队在机器学习+医疗上再次取得新进展；我们有了令人鼓舞的新发现：非侵入式视网膜图像上含有机器学习模型可以介入的确诊心脑血管疾病的微妙指标，之前医生都不知道有这种迹象。」

心脏病、中风和其他心脑血管疾病一直是人类健康的头号杀手。评估这类风险是未来降低患者罹患心脑血管疾病的关键性第一步。为此，医生要考虑多种风险因子—比如遗传（性别或年龄）、生活习惯（抽不抽烟，血压等）。大部分因素可通过询问病人得到，其他因素比如胆固醇则要通过验血。医生也会考虑病人有没有其他疾病，比如糖尿病，其患病风险与心脑血管疾病成正相关。

最近，诸多实例 [1-4] 已展示深度学习如何增加医学图像确诊的概率，尤其是糖尿病引起的眼病。在「Prediction of Cardiovascular Risk Factors from Retinal Fundus Photographs via Deep Learning」(详见：

视网膜眼底图像预测心脏病风险：Nature 综述深度学习在生物医疗中的新应用

）一文中，我们展示了在检测眼病之外，眼睛图像也可以被用来准确预测其他心脑血管疾病的指标。这个发现非常令人激动，因为它暗示我们也许会发现更多的用视网膜图像来确诊疾病的办法。

通过 284335 名病患数据训练深度学习模型，我们可在两个独立的数据库（一个 12026 病例，另一个 999 病例）上用视网膜图像以极高的正确率预测心脑血管风险因素。比如，我们的算法可从视网膜图像上分辨吸烟者与不吸烟者，正确率是 71%。此外，当医生可从视网膜图像上分辨病人有没有高血压时，我们的算法可以更深入地预测心脏收缩血压，在所有病患身上平均误差为 11 mmHg，包括那些有或没有高血压的患者。

左图：黑色部分的眼球显示了斑点（中间深色的部分、视神经盘（右边的亮点）、血管（从亮点向外扩展的深色红弧线）。右图：灰色视网膜图像，用绿色突出的（热图）是用来训练深度学习模型预测血压的像素。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。

在利用视网膜图像预测不同的风险因子（年龄、性别、烟史、血压等）之外，我们的算法可以相当准确地直接预测心脑血管疾病的风险。该算法借助整个图像来量化图像和心脏病或中风之间的关系。给出两张视网膜图像，一张来自罹患心脑血管疾病（比如心脏病）5 年以上的患者，另一张来自无心脑血管病史的患者，我们的算法区分两者的成功率是 70%。这个表现接近了其他需要抽血测量胆固醇的心脑血管风险计算器的正确率。

更重要的是，我们借助注意力机制查看算法如何做出预测而打开了「黑箱」。这些技术允许我们生成一张热图，以显示哪些像素对于预测特定的心脑血管疾病最为重要。比如，更加注重血管的算法将来预测血压，如上图所示。解释算法如何做出预测会使医生更加信任算法。此外，这项技术有助于针对未来的心脑血管风险和视网膜的调查提出假设。

在最广泛的层面上，我们对这项工作深感兴奋，因为也许它是一种新的科学发现方法。传统上，医学发现通常是借助复杂的假设与测试的形式而达成——通过观察做出假设，接着设计和做实验以验证假设。然而，面对医学图像之时，由于实际图像中存在的各种特征、图案、颜色、值和形状，观察和量化其间的关联非常困难。我们的方法借助深度学习来获取人体解剖学与病变之间变化的关系，类似于医生学习如何通过症状诊断新的疾病。这有助于科学家提出更有针对性的假设，并推动未来的广泛研究。

通过这些有希望的结果，很多科技工作得以继续开展。我们数据集之中的很多图像标注有吸烟状况、心脏收缩血压、年龄、性别及其他变量，但只包含数百个心脑血管实例。我们希望可以在更大更全面的数据集上发展和测试我们的算法。为了使其对病患有帮助，我们将试图理解干预措施比如生活方式的改变或药物对风险预测的影响，并且我们将产生新的假设和理论来测试。

参考

[1] Gulshan, V. et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs (https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/45732.pdf). 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 (https://jamanetwork.com/journals/jama/article-abstract/2665775?redirect=true). JAMA 318, 2211–2223 (2017).

[3] Esteva, A. et al. Dermatologist-level classification of skin cancer with deep neural networks (https://www.nature.com/articles/nature21056). 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 (https://www.nature.com/articles/nature21056). JAMA 318, 2199–2210 (2017).

本文为机器之心编译，转载请联系本公众号获得授权。

------------------------------------------------