cookieOptions = {...}; .Google 醫療 AI 最新成果總結:心血管疾病風險評估+算法可解釋性熱力圖 - 3S Market「全球智慧科技應用」市場資訊網
2018年3月28日 星期三

Google AI scans retina to predict heart disease risk





leiphone 作者:亚峰

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,大多可以透過詢問病人來獲取,但瞭解其他風險因素,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,尤其在糖尿病方向。近期在《Nature》雜誌上發表的《關於透過眼底圖像預測心血管危險因素》中,除了檢測糖尿病外,我們還展示了透過眼底圖,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,因為它表示我們可以透過眼底圖像,去篩查出更多的病變。

我們團隊透過來自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,我們的算法透過眼底圖像,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。

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
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。

透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,醫學發現通常是透過一種複雜的,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,類似於醫生聯繫症狀和體徵診斷新的疾病,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和測試算法。

為了確保這對患者有用,我們將試圖瞭解干預措施的效果,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。

今年的智慧城市展,有什麼看頭……
                                                                                                                                                                                                                            

0 意見: