雷鋒網(wǎng)按：本文譯自Google blog，作者：Lily Peng（Google醫(yī)學(xué)影像產(chǎn)品經(jīng)理）

當(dāng)前，心臟病、中風(fēng)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(fēng)險則是后期降低患者患心血管疾病可能性的關(guān)鍵步驟。為做好這一步，醫(yī)生們將眾多風(fēng)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(fēng)險因素的相關(guān)情況大多可以通過詢問病人來獲取，但了解其他風(fēng)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(guān)系到心血管疾病。

近期，我們已經(jīng)看到許多應(yīng)用深度學(xué)習(xí)提高醫(yī)學(xué)影像輔助診斷準(zhǔn)確度的案例，尤其在糖網(wǎng)病方向。近期在《Nature》雜志上發(fā)表的《關(guān)于通過眼底圖像預(yù)測心血管危險因素》中，除了檢測糖網(wǎng)病外，我們還展示了通過眼底圖還可以很準(zhǔn)確地檢測其他心血管疾病指標(biāo)。

這個發(fā)現(xiàn)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(shù)據(jù)上訓(xùn)練的深度學(xué)習(xí)模型，分別從12026例和999例的兩個獨立眼底驗證圖像數(shù)據(jù)集中，以驚人的準(zhǔn)確度預(yù)測病人的心血管疾病風(fēng)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(zhǔn)確率有71%。此外，當(dāng)醫(yī)生可從視網(wǎng)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(yù)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(jīng)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(wǎng)膜圖像，用綠色突出的（熱圖）是用來訓(xùn)練深度學(xué)習(xí)模型預(yù)測血壓的像素。我們發(fā)現(xiàn)每個心血管風(fēng)險因子預(yù)測使用不同模式，例如血管用于血壓，視盤用于其他預(yù)測。

除了從視網(wǎng)膜圖像預(yù)測各種風(fēng)險因素（年齡，性別，吸煙史，血壓等），我們的算法在直接預(yù)測心血管疾病風(fēng)險方面準(zhǔn)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(fēng)之間的關(guān)聯(lián)。基于兩張眼底圖像（1張是長達5年后經(jīng)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(zhǔn)確率檢測出患有心血管疾病的患者。

這一準(zhǔn)確率接近需要抽血測量膽固醇的其他心血管疾病風(fēng)險檢驗的準(zhǔn)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(yù)測的。

通過相關(guān)技術(shù)自動生成一幅熱力圖，顯示哪些像素對于預(yù)測特殊的心血管風(fēng)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(yù)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(shù)有助于為將來對心血管風(fēng)險和視網(wǎng)膜進行科學(xué)研究生成假設(shè)。

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(xué)發(fā)現(xiàn)通常是通過一種復(fù)雜的猜測和測試來完成的：觀察，得出假設(shè)，然后設(shè)計和運行實驗來測試假設(shè)。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(xué)圖像中的關(guān)聯(lián)比較困難。我們的方法是利用深度學(xué)習(xí)來繪制人體解剖學(xué)和疾病之間的關(guān)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(xué)家產(chǎn)生更有針對性的假設(shè)，并推動廣泛的未來研究。

即便有了這些結(jié)果，我們還有很多研究工作去做。我們的數(shù)據(jù)集標(biāo)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(biāo)注心血管疾病數(shù)據(jù)。我們期待能在更大、更全的數(shù)據(jù)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(yù)措施的效果，如生活方式改變或在風(fēng)險預(yù)測基礎(chǔ)上的藥物治療，將生成新的假設(shè)和理論來測試。雷鋒網(wǎng)雷鋒網(wǎng)

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(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。