Google醫療AI最新成果總結：心血管疾病風險評估+演算法可解釋性熱力圖

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

當前，心臟病、中風和其他心血管疾病仍舊是棘手的公共衛生難題。

而評估疾病風險則是後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，醫生們將眾多風險因素納入評估範圍，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麼簡單，如膽固醇需抽血檢驗。醫生也要考慮病人是否患有糖尿病等其他疾病，這些問題也往往關係到心血管疾病。

近期，我們已經看到許多應用深度學習提高醫學影像輔助診斷準確度的案例，尤其在糖網病方向。去年8月底在《Nature》雜誌上發表的《關於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，我們的演算法通過眼底圖像區分吸煙者與不吸煙者的準確率有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。我們發現每個心血管風險因子預測使用不同模式，例如血管用於血壓，視盤用於其他預測。

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），我們的演算法在直接預測心血管疾病風險方面準確率很高。演算法使用整個圖像來量化圖像與心臟病發作／中風之間的關聯。基於兩張眼底圖像（1張是長達5年後經歷過重大心血管疾病患者的眼底圖像，另1張是沒有突發心血管疾病的患者的眼底圖像），我們的演算法能夠以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」，解釋演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，顯示哪些像素對於預測特殊的心血管風險因子是最重要的。如上圖所示，這套演算法更注重血管狀況來預測血壓。演算法的可解釋性，使得方案也更具說服力。

與此同時，這項技術有助於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。傳統意義上，醫學發現通常是通過一種複雜的猜測和測試來完成的：觀察，得出假設，然後設計和運行實驗來測試假設。然而，由於實際圖像中存在各種特徵、圖案、顏色、值和形狀，因此觀察和量化醫學圖像中的關聯比較困難。我們的方法是利用深度學習來繪製人體解剖學和疾病之間的關聯，類似於醫生聯繫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，並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。我們的數據集標註了許多如吸煙、收縮壓、年齡、性別和其他變數，但也僅有幾百例精標註心血管疾病數據。我們期待能在更大、更全的數據集上開發和測試演算法。

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).

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！