通過分析視網膜圖像診斷心腦血管疾病：谷歌大腦團隊取得醫療深度學習新進展

選自Google Blog

作者：Lily Peng

機器之心編譯

參與：許迪、黃小天

近日，Jeff Dean 在其推特上說：「谷歌大腦團隊在機器學習+醫療上再次取得新進展；我們有了令人鼓舞的新發現：非侵入式視網膜圖像上含有機器學習模型可以介入的確診心腦血管疾病的微妙指標，之前醫生都不知道有這種跡象。」

心臟病、中風和其他心腦血管疾病一直是人類健康的頭號殺手。評估這類風險是未來降低患者罹患心腦血管疾病的關鍵性第一步。為此，醫生要考慮多種風險因子—比如遺傳（性別或年齡）、生活習慣（抽不抽煙，血壓等）。大部分因素可通過詢問病人得到，其他因素比如膽固醇則要通過驗血。醫生也會考慮病人有沒有其他疾病，比如糖尿病，其患病風險與心腦血管疾病成正相關。

最近，諸多實例 [1-4] 已展示深度學習如何增加醫學圖像確診的概率，尤其是糖尿病引起的眼病。在「Prediction of Cardiovascular Risk Factors from Retinal Fundus Photographs via Deep Learning」(詳見：視網膜眼底圖像預測心臟病風險：Nature 綜述深度學習在生物醫療中的新應用）一文中，我們展示了在檢測眼病之外，眼睛圖像也可以被用來準確預測其他心腦血管疾病的指標。這個發現非常令人激動，因為它暗示我們也許會發現更多的用視網膜圖像來確診疾病的辦法。

通過 284335 名病患數據訓練深度學習模型，我們可在兩個獨立的資料庫（一個 12026 病例，另一個 999 病例）上用視網膜圖像以極高的正確率預測心腦血管風險因素。比如，我們的演算法可從視網膜圖像上分辨吸煙者與不吸煙者，正確率是 71%。此外，當醫生可從視網膜圖像上分辨病人有沒有高血壓時，我們的演算法可以更深入地預測心臟收縮血壓，在所有病患身上平均誤差為 11 mmHg，包括那些有或沒有高血壓的患者。

左圖：黑色部分的眼球顯示了斑點（中間深色的部分、視神經盤（右邊的亮點）、血管（從亮點向外擴展的深色紅弧線）。右圖：灰色視網膜圖像，用綠色突出的（熱圖）是用來訓練深度學習模型預測血壓的像素。我們發現早期心腦血管風險因素預測使用了一個獨特的模式，然後用視神經盤預測其他疾病。

在利用視網膜圖像預測不同的風險因子（年齡、性別、煙史、血壓等）之外，我們的演算法可以相當準確地直接預測心腦血管疾病的風險。該演算法藉助整個圖像來量化圖像和心臟病或中風之間的關係。給出兩張視網膜圖像，一張來自罹患心腦血管疾病（比如心臟病）5 年以上的患者，另一張來自無心腦血管病史的患者，我們的演算法區分兩者的成功率是 70%。這個表現接近了其他需要抽血測量膽固醇的心腦血管風險計算器的正確率。

更重要的是，我們藉助注意力機制查看演算法如何做出預測而打開了「黑箱」。這些技術允許我們生成一張熱圖，以顯示哪些像素對於預測特定的心腦血管疾病最為重要。比如，更加註重血管的演算法將來預測血壓，如上圖所示。解釋演算法如何做出預測會使醫生更加信任演算法。此外，這項技術有助於針對未來的心腦血管風險和視網膜的調查提出假設。

在最廣泛的層面上，我們對這項工作深感興奮，因為也許它是一種新的科學發現方法。傳統上，醫學發現通常是藉助複雜的假設與測試的形式而達成——通過觀察做出假設，接著設計和做實驗以驗證假設。然而，面對醫學圖像之時，由於實際圖像中存在的各種特徵、圖案、顏色、值和形狀，觀察和量化其間的關聯非常困難。我們的方法藉助深度學習來獲取人體解剖學與病變之間變化的關係，類似於醫生學習如何通過癥狀診斷新的疾病。這有助於科學家提出更有針對性的假設，並推動未來的廣泛研究。

通過這些有希望的結果，很多科技工作得以繼續開展。我們數據集之中的很多圖像標註有吸煙狀況、心臟收縮血壓、年齡、性別及其他變數，但只包含數百個心腦血管實例。我們希望可以在更大更全面的數據集上發展和測試我們的演算法。為了使其對病患有幫助，我們將試圖理解干預措施比如生活方式的改變或藥物對風險預測的影響，並且我們將產生新的假設和理論來測試。

參考

[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).

本文為機器之心編譯，轉載請聯繫本公眾號獲得授權。

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

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！