心臟病發作似乎是一個完全隨機的事件，但有跡象表明一個人可能處於危險之中。如果你能從一個簡單、相對便宜的眼睛掃描中發現這些跡象呢？
英國利茲大學的計算機和醫學教授Alex Frangi說：“每次你去拿一副眼鏡，你都會得到它，那就太酷了。”
弗蘭基是一項新研究的作者之一，該研究試圖做到這一點。視網膜或眼睛後部微小血管的細微變化可以顯示出一個人可能心臟病發作的跡象，這使得使用人工智慧檢測這些差異成為可能。儘管人工智慧在醫學中的應用越來越普遍，可以檢測阿爾茨海默病和癌症等疾病，但其中許多技術都是從昂貴的醫學成像技術中分析資料的。相比之下，視網膜掃描既便宜又容易獲取。在這項新的研究中，這項技術也相當有效，在70%到80%的時間裡給出了準確的預測。這項研究是初步的，而且這種方法可能不像在研究中那樣適用於真正的患者。儘管如此，專家們說，這是一項很有前途的創新，可以作為一種評估心臟病發作風險的簡便方法。
Deepak Bhatt博士說：“對我來說，這是一個利用機器學習獲取已有資訊的非常好的例子，但是以一種新穎的方式使用它來幫助識別不同疾病狀態下的風險。”
研究人員從英國生物銀行（UK Biobank）獲取資料，這是一個龐大的生物醫學資料庫，收集了來自英國50萬人的健康資訊。為了訓練該系統，他們使用了71515名接受過視網膜掃描的人的資料，以及5663名同時接受過視網膜掃描和心臟磁共振（CMR）掃描的人的資料。該系統由兩個網路組成。第一種稱為多通道變分自動編碼器，使用較小的資料集進行訓練，這兩種型別的影象基本上都能將視網膜掃描轉換為重建的心臟影象。一旦第一個網路經過訓練和測試，它就被用作模板，用於在更大的資料集中使用視網膜掃描（以及患者資訊，如年齡、性別、體重指數、血壓和吸菸狀況）來預測心臟病發作風險。
為了測試和訓練該系統，研究人員將每個資料集分成10個部分，使用9個部分進行訓練，最後一個部分進行測試。他們發現，根據測量的型別，該系統在70%到80%的時間內，透過視網膜掃描和人口統計學資料的組合，正確地預測了心臟病發作。為了進行比較，研究人員還僅使用人口統計學資料對心臟病發作風險進行了單獨計算，這類資料通常用於確定某人是否可能有風險。基於該資料的預測準確率約低10%。
研究人員還想知道，如果他們使用的資料與美國國家眼科研究所（National Eye Institute）與年齡相關的眼部疾病研究中的資料完全不同，該系統是否準確。雖然他們發現影象質量和人口統計資料的差異對系統沒有太大影響，但他們發現，在分析患有黃斑變性的患者的影象時，該系統的效率較低。
弗蘭基說：“當你的患者患有黃斑變性時，你正確預測心臟病發作結果的能力似乎被掩蓋了。根據這些患者的資料，該系統的準確率約為60%，但如果將其從研究樣本中剔除，其保真度將提高到70%。”
雖然該系統不一定比單獨使用心臟成像來預測心臟病發作風險更準確，但視網膜掃描要便宜得多，也更容易獲取。該方法還可以幫助識別那些因不定期看初級保健醫生而可能被錯過的高危人群。在某些情況下，眼科醫生已經可以從視網膜檢查中發現一個人可能患有高血壓或糖尿病的跡象。
在這項研究中，研究人員選擇從視網膜影象生成一個預測的心臟掃描，並使用它來計算風險。其他研究採取了更直接的方法，只使用視網膜影象來計算風險。弗蘭基說，研究人員使用這種方法試圖確保該系統在眼睛和心臟掃描之間建立正確的關聯，並且不會從眼睛掃描中提取與心臟影響無關的模式。儘管如此，如果不直接比較研究中的方法，仍然很難說哪種方法效果更好。
弗蘭基說，他和他的同事們正在努力改進該系統，例如透過將患者的其他醫學甚至基因資訊納入該系統。但他也明白，複雜的資料可能並不總是可用的，這是本研究在使用多個數據集和不同數量的患者資訊時考慮到的。
他說：“有時候，需要改變的不一定是複雜。”
來源：賢集網
