谷歌大腦醫療影像研究新進展，通過視網膜影像預測心腦血管疾病風險

AI 科技評論按：Google Brain 團隊近日發現一種使用機器學習來評估心腦血管疾病風險的新方法。這種方法通過分析病人的眼睛影像，能夠精確地推斷出包括病人年齡、血壓、是否吸煙等的相關因素，通過這些因素可以預測病人遭受重大心腦血管疾病的風險——比如心臟病發作。

這種方法與當前最先進的方法相比具有大致相同的準確度，而其優點在於，可以為醫生提供快速、便捷的方法來分析病人的心腦血管疾病，並且不需要血液測試。可能更為重要的是，這項工作代表了科學發現的一種新方法。

相關的工作（Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning）在昨日發表在了 Nature 子刊《Biomedical Engineering》。

下面為論文作者 Lily Peng 關於這項工作的博文。

心臟病發作、中風以及其他心腦血管疾病（cardiovascular，CV）仍然是公共衛生中最重要的問題之一，而評估心腦血管疾病發生的風險是減少患者在未來突發疾病最為關鍵的一個環節。為了做出這個評估，醫生考慮了各種各樣的風險因素，例如遺傳因素（如年齡、性別）、生活因素（吸煙、血壓）等。雖然這些因素大多數都可以直接詢問患者，但還是有一些因素（例如膽固醇）需要抽血才能知道。此外，醫生還需要考慮患者是否患有其他疾病（例如糖尿病）。

近來，我們已經做了許多通過深度學習技術來幫助提高醫學影像診斷準確性的例子 [1-4]，尤其是糖尿病眼病（diabetic eye disease）。最近我們又在 Nature 子刊《Biomedical Engineering》上發表了《Prediction of Cardiovascular Risk Factors from Retinal Fundus Photographs via Deep Learning》一文。我們發現，除了能夠檢測眼病以外，眼睛影像還可以非常準確地預測心腦血管疾病的其他指標。這個發現讓人非常興奮，因為它表明我們可以從眼睛影像中發現更多的診斷健康問題的方法。

通過使用 284335 名患者的數據訓練深度學習演算法，我們可以從兩個獨立的（12026 個患者、999 個患者）視網膜影像數據集中以極高的精度來預測心腦血管疾病的風險因素。例如我們的演算法在區分吸煙者和不吸煙者的視網膜影像時，AUC（隨機選取一個正例和一個負例，分類器給正例的打分大於分類器給負例的打分的概率）為 0.71。此外，雖然醫生通常可以區分嚴重的高血壓患者和正常患者的視網膜影像，但我們的演算法可以進一步將心臟收縮壓的預測（平均來講）精確到 11mmHg 範圍內，對所有患有和不患有高血壓的群體均有效。

左圖：眼睛後部影像，顯示黃斑（中間的黑點）、視盤（右邊的亮點）和血管（右邊的深紅線）。右圖：灰色視網膜影像，深度學習演算法使用的像素可以預測以綠色陰影（熱圖）突出顯示的血壓。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。

除了從視網膜影像預測各種風險因素（年齡、性別、吸煙、血壓等）外，我們的演算法在直接預測心腦血管疾病風險方面也相當準確。我們的演算法使用整個影像來量化影像與心臟病發作或中風等疾病之間的關聯。給出兩張視網膜影像，一張來自遭遇過心腦血管突發事件（例如心臟病突發）的患者（患心血管病 5 年以上），一張來自沒有遭遇過的患者，我們的演算法區分兩者的 AUC 為 70%。這個結果接近通過抽血來測量膽固醇等相關因素的方法的正確率。

可能更為重要的是，我們藉助注意力機制查看演算法如何做出預測，從而打開了「黑箱」。我們可以藉助這項技術生成一個熱圖，來顯示哪些像素對於預測特定的 CV 風險因素更為重要。例如，我們的演算法在預測血壓時會更加關注血管，如上圖所示。對醫生來說，解釋演算法如何進行預測可能會讓他們對預測的結果更有信心。此外，這也有助於為將來對 CV 風險與視網膜的科學研究提供建設性假設。

在更廣泛的層面上來講，我們對這項工作也感到非常的興奮，因為它可能代表了科學發現的新方法。傳統上的醫學發現通常是通過複雜的猜測和測試（guess and test）才能獲得——通過觀察提出假設，然後設計和進行試驗來驗證這種假設。然而在醫學影像這個領域，由於實際影像中存在各種特徵、圖案、顏色、數值和形狀，觀察和量化其間的關係可能極為困難。我們通過深度學習來構建人體解剖變化與疾病之間的關係，這種方法就類似於醫生學習如何將體征癥狀與新疾病的診斷聯繫起來。所以這種方法可以幫助科學家產生更多更有針對性的假設，並推動未來醫學研究的廣泛發展。

當然，儘管有這些有希望的結果，但仍有很多工作要做。首先，我們標有吸煙狀況、心臟收縮壓、年齡、性別和其他變數的數據集中只有幾百例心腦血管實例，我們期待能夠有更大、更全面的數據集來開發和測試我們的演算法。此外，為了使這項研究對患者有用，隨後我們將研究干預措施（例如生活方式的改變或藥物對風險預測的影響）可能產生的結果。我們將產生新的假設和理論來進行測試。

參考：

[1] Gulshan, V. et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. 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).

————— AI 科技評論招人了 —————

————— 給愛學習的你的福利 —————

寒假 AI 學習狂歡

精品課程，豪華特輯

優惠折上折，福利搶不停！

春節 AI 充電，2018 贏在起跑線！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！