“如果我们可以用眼睛作为评估心血管健康的窗口，那不是很好吗？”该研究的资深作者、利兹大学计算医学教授AlejandroFrangi博士问道。
Frangi和他的团队在NatureMachineIntelligence上发表的一项题为“通过视网膜扫描和最少的个人信息预测心肌梗塞”的研究中表明，人工智能系统可以分析视网膜图像，以预测患者在未来是否有心脏病发作的风险年，准确率在70%到80%之间。
这系统可用于临床预测心肌梗塞的风险，其灵感来自基本的生物学知识。这些见解梳理了视网膜微血管解剖异常与冠心病之间的关系，以及最近使用深度学习模型提取的尝试来自视网膜眼底特征（如视盘和血管结构）的心血管危险因素信息。早期的工作表明，深度学习可以通过视网膜扫描预测吸烟状况、血压、年龄和其他心血管危险因素。
“开发心脏病发作早期风险评分的可能性可用于通过眼科诊所、配镜师或潜在的自我管理将患者转诊给心脏病专家，”Frangi说。已经开发了类似的方法来通过基于智能手机的视野深度学习系统检测青光眼。深度学习是一组复杂的算法，一旦经过训练以识别数据中的模式，计算机就可以做出预测。
目前的研究使用了一个AI预测模型，该模型对来自英国生物银行队列的70,多人进行了培训，并使用英国生物银行数据和一个由3,名患者组成的独立美国队列（AREDS队列）进行了测试。
“与DeepMind之前的工作相比，我们的提议在几个方面有所不同，”Frangi说。
DeepMind早期的工作重点是通过视网膜扫描诊断眼部疾病，而不是心脏病。此外，GoogleResearch的早期工作通过视网膜图像预测了心血管风险因素，例如吸烟状况、血压、年龄，而不是心脏病发作等心脏事件。
“我们的方法可以在训练阶段使用眼底和心脏的成像，但在风险推断期间只需要眼底图像，”Frangi说。结合视网膜解剖特征估计心脏参数（例如射血分数）增强了独特的新方法的解释力。
在这项工作中，研究人员使用视网膜图像和患者的人口统计数据来估计心脏左心室的质量，以及左心室舒张末期容积来预测心肌梗塞。
“我们使用的基础技术称为多通道变分自动编码器，”Frangi说。
研究人员训练了一个多通道变分自动编码器和一个深度回归模型，以从视网膜图像和人口统计数据中估计这些心脏属性。
在论文中，作者提出了两种替代模型，用于预测具有相对可比性能的心脏事件。“人们假设被测个体的年龄和性别的附加信息最少，”弗兰吉说。“第二个结合了额外的生物标志物，这些生物标志物成本相对较低，但主要在专业眼科诊所可用。”
作者指出：“我们的结果表明，可以通过每个配镜师和眼科诊所提供的视网膜成像来识别未来心肌梗塞高风险的患者。”
利兹大学心血管成像教授、该论文的作者之一SvenPlein博士说：“人工智能系统是解开自然界中存在的复杂模式的绝佳工具，而这正是我们在这里发现的。——视网膜变化的复杂模式与心脏的变化有关。”
该团队正在采取几个方向的调查来跟进当前的工作。“我们希望开发一项前瞻性临床试验，以证明该技术在具有不同人口统计特征的普通人群中的预测价值，与英国生物银行和NHS运营条件相比，”Frangi说。“我们还想了解作为混杂因素影响表现的合并症。”
目前，心脏的诊断特征，例如患者左心室的大小和泵送效率，只能通过超声心动图或磁共振成像来确定。这些诊断测试可能很昂贵，医院就诊。使用深度学习方法来分析视网膜扫描可以通过早期且廉价地检测心脏病迹象来彻底改变医疗保健。
文章链接：
