雷鋒網按：本文譯自Google blog，作者：Lily Peng（Google醫(yī)學影像產品經理）

當前，心臟病、中風和其他心血管疾病仍舊是棘手的公共衛(wèi)生難題。

而評估疾病風險則是后期降低患者患心血管疾病可能性的關鍵步驟。為做好這一步，醫(yī)生們將眾多風險因素納入評估范圍，其中包含：遺傳（年齡和性別），生活方式（吸煙和血壓）。

雖然這些風險因素的相關情況大多可以通過詢問病人來獲取，但了解其他風險因素卻沒那么簡單，如膽固醇需抽血檢驗。醫(yī)生也要考慮病人是否患有糖尿病等其他疾病，這些問題也往往關系到心血管疾病。

近期，我們已經看到許多應用深度學習提高醫(yī)學影像輔助診斷準確度的案例，尤其在糖網病方向。近期在《Nature》雜志上發(fā)表的《關于通過眼底圖像預測心血管危險因素》中，除了檢測糖網病外，我們還展示了通過眼底圖還可以很準確地檢測其他心血管疾病指標。

這個發(fā)現令人異常興奮，因為它表明我們可以通過眼底圖像，去篩查出更多的病變。

我們團隊通過來自284335名患者數據上訓練的深度學習模型，分別從12026例和999例的兩個獨立眼底驗證圖像數據集中，以驚人的準確度預測病人的心血管疾病風險因子。

例如，我們的算法通過眼底圖像區(qū)分吸煙者與不吸煙者的準確率有71%。此外，當醫(yī)生可從視網膜圖像上分辨病人有沒有高血壓時，我們的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黃斑（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(fā)現每個心血管風險因子預測使用不同模式，例如血管用于血壓，視盤用于其他預測。

除了從視網膜圖像預測各種風險因素（年齡，性別，吸煙史，血壓等），我們的算法在直接預測心血管疾病風險方面準確率很高。算法使用整個圖像來量化圖像與心臟病發(fā)作／中風之間的關聯(lián)?；趦蓮堁鄣讏D像（1張是長達5年后經歷過重大心血管疾病患者的眼底圖像，另1張是沒有突發(fā)心血管疾病的患者的眼底圖像），我們的算法能夠以70%的準確率檢測出患有心血管疾病的患者。

這一準確率接近需要抽血測量膽固醇的其他心血管疾病風險檢驗的準確性。

更重要的是，我們使用注意機制（Attention）方法打開了“黑盒子”，解釋算法是如何進行預測的。

通過相關技術自動生成一幅熱力圖，顯示哪些像素對于預測特殊的心血管風險因子是最重要的。如上圖所示，這套算法更注重血管狀況來預測血壓。算法的可解釋性，使得方案也更具說服力。

與此同時，這項技術有助于為將來對心血管風險和視網膜進行科學研究生成假設。

我們對這項工作感到非常興奮，因為它可能代表了一種新的方法。傳統(tǒng)意義上，醫(yī)學發(fā)現通常是通過一種復雜的猜測和測試來完成的：觀察，得出假設，然后設計和運行實驗來測試假設。然而，由于實際圖像中存在各種特征、圖案、顏色、值和形狀，因此觀察和量化醫(yī)學圖像中的關聯(lián)比較困難。我們的方法是利用深度學習來繪制人體解剖學和疾病之間的關聯(lián)，類似于醫(yī)生聯(lián)系癥狀和體征診斷新的疾病，這可以幫助科學家產生更有針對性的假設，并推動廣泛的未來研究。

即便有了這些結果，我們還有很多研究工作去做。我們的數據集標注了許多如吸煙、收縮壓、年齡、性別和其他變量，但也僅有幾百例精標注心血管疾病數據。我們期待能在更大、更全的數據集上開發(fā)和測試算法。

為了確保這對患者有用，我們將試圖了解干預措施的效果，如生活方式改變或在風險預測基礎上的藥物治療，將生成新的假設和理論來測試。雷鋒網雷鋒網

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 classi cation 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).

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。