Google医疗AI最新成果总结：心血管疾病风险评估+算法可解释性热力图

雷锋网按：本文译自Google blog，作者：Lily Peng（Google医学影像产品经理）

当前，心脏病、中风和其他心血管疾病仍旧是棘手的公共卫生难题。

而评估疾病风险则是后期降低患者患心血管疾病可能性的关键步骤。为做好这一步，医生们将众多风险因素纳入评估范围，其中包含：遗传（年龄和性别），生活方式（吸烟和血压）。

虽然这些风险因素的相关情况大多可以通过询问病人来获取，但了解其他风险因素却没那么简单，如胆固醇需抽血检验。医生也要考虑病人是否患有糖尿病等其他疾病，这些问题也往往关系到心血管疾病。

近期，我们已经看到许多应用深度学习提高医学影像辅助诊断准确度的案例，尤其在糖网病方向。去年8月底在《Nature》杂志上发表的 《关于通过眼底图像预测心血管危险因素》 中，除了检测糖网病外，我们还展示了通过眼底图还可以很准确地检测其他心血管疾病指标。

这个发现令人异常兴奋，因为它表明我们可以通过眼底图像，去筛查出更多的病变。

我们团队通过来自284335名患者数据上训练的深度学习模型，分别从12026例和999例的两个独立眼底验证图像数据集中，以惊人的准确度预测病人的心血管疾病风险因子。

例如，我们的算法通过眼底图像区分吸烟者与不吸烟者的准确率有71%。此外，当医生可从视网膜图像上分辨病人有没有高血压时，我们的算法可以更深入地预测心脏收缩血压，在所有病患身上平均误差为 11 mmHg，包括那些有或没有高血压的患者。

左图：黑色部分的眼球显示了黄斑（中间深色的部分、视神经盘（右边的亮点）、血管（从亮点向外扩展的深色红弧线）

右图：灰色视网膜图像，用绿色突出的（热图）是用来训练深度学习模型预测血压的像素。我们发现每个心血管风险因子预测使用不同模式，例如血管用于血压，视盘用于其他预测。

除了从视网膜图像预测各种风险因素（年龄，性别，吸烟史，血压等），我们的算法在直接预测心血管疾病风险方面准确率很高。算法使用整个图像来量化图像与心脏病发作／中风之间的关联。基于两张眼底图像（1张是长达5年后经历过重大心血管疾病患者的眼底图像，另1张是没有突发心血管疾病的患者的眼底图像），我们的算法能够以70%的准确率检测出患有心血管疾病的患者。

这一准确率接近需要抽血测量胆固醇的其他心血管疾病风险检验的准确性。

更重要的是，我们使用注意机制（Attention）方法打开了“黑盒子”，解释算法是如何进行预测的。

通过相关技术自动生成一幅热力图，显示哪些像素对于预测特殊的心血管风险因子是最重要的。如上图所示，这套算法更注重血管状况来预测血压。算法的可解释性，使得方案也更具说服力。

与此同时，这项技术有助于为将来对心血管风险和视网膜进行科学研究生成假设。

我们对这项工作感到非常兴奋，因为它可能代表了一种新的方法。传统意义上，医学发现通常是通过一种复杂的猜测和测试来完成的：观察，得出假设，然后设计和运行实验来测试假设。然而，由于实际图像中存在各种特征、图案、颜色、值和形状，因此观察和量化医学图像中的关联比较困难。我们的方法是利用深度学习来绘制人体解剖学和疾病之间的关联，类似于医生联系症状和体征诊断新的疾病，这可以帮助科学家产生更有针对性的假设，并推动广泛的未来研究。

即便有了这些结果，我们还有很多研究工作去做。我们的数据集标注了许多如吸烟、收缩压、年龄、性别和其他变量，但也仅有几百例精标注心血管疾病数据。我们期待能在更大、更全的数据集上开发和测试算法。

为了确保这对患者有用，我们将试图了解干预措施的效果，如生活方式改变或在风险预测基础上的药物治疗，将生成新的假设和理论来测试。 雷锋网雷锋网 (公众号：雷锋网)

参考：

[1] Gulshan, V. et al. Development and Validation of a Deep Learning Algorithm for Detection ofDiabetic 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 DiabeticRetinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations WithDiabetes. 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 forDetection of Lymph Node Metastases in Women With Breast Cancer. JAMA 318, 2199–2210(2017).

。