Nature Machine Intelligence | 基于视网膜扫描和最少的个人信息来预测心肌梗死

作者 | 陈兴民 编辑 | 陈兴民

论文题目：

Predicting myocardial infarction through retinal scans and minimal personal information

今天给大家带来一篇发表在nature machine intelligence上关于心梗（MI）概率预测的文章。作者研究了使用视网膜图像以及相关的病人元数据来估计左心室质量(LVM)和左心室舒张末期容积(LVEDV)，并随后预测心肌梗死事件。作者训练了一个多通道变分自编码器和一个深度回归模型，以估计左心室质量和左心室舒张末期容积，并预测心肌梗死的风险。结果表明，人们可以从每个眼科诊所和眼科诊所提供的视网膜成像中识别出未来心肌梗死的高危患者。

一、研究背景

1. 心血管疾病(CVD)是全球死亡和社会经济负担的主要原因。识别和及时治疗CVD危险因素是降低人群CVD患病率和个体风险调节的关键策略.

2. 心血管成像通常在二级保健中进行，而且相对昂贵，限制了其在不发达国家和发展中国家的可用性。

3. 视网膜图像(包括主要血管的细节)现在在验光和眼科实践中是常规获得的，而且相对便宜。

4. 除了风险预测外，视网膜图像还与心血管表型相关，如左心室尺寸和质量。视网膜图像可以预测心血管危险因素，如年龄、性别、吸烟状况、收缩压和主要心脏不良事件，由视盘或视网膜血管等解剖特征驱动。这突出了利用视网膜图像评估心血管疾病风险的潜力。

二、模型与方法

2.1 患者数据集和人口统计数据

本研究使用了来自UKB队列的CMR图像(舒张末期短轴视图)、视网膜图像和人口统计学数据。

对于视网膜图像，排除有已知影响左心室质量的病史的参与者，剩余的视网膜图像使用名为EyePACS14的公共数据集(Kaggle平台中用于自动糖尿病视网膜病变检测的著名数据集)来训练和验证其性能。经过质量评估，从中得到具有高质量的视网膜图像。

对于人口统计学数据，来自患者病史和血液样本的变量组合(如性别、年龄、性别、糖化血红蛋白、收缩压和舒张压、吸烟习惯、饮酒、葡萄糖和体重指数)也被用作输入来训练和测试所提出的方法。虽然我们排除了糖尿病患者，但我们保留了糖化血红蛋白，因为多项研究表明，即使在没有糖尿病史的受试者中，糖化血红蛋白与心血管死亡率也呈正相关。

除了人口统计学数据外，我们还使用了直接从CMR图像中提取的LVEDV和LVM。这些心脏指数的计算来自于使用商用cvi42后处理软件生成的人工描述，以及使用Attar及其同事[1]提出的方法自动生成的分割。

图1 用于排除筛选参与者的STROBE流程图

2.2 深度学习方法

本文的方法是基于多通道变分自编码器(mcVAE)和深度回归网络(ResNet50)，对于第一阶段的 mcVAE，作者设计了两对编码器/解码器来训练网络，其中每一对都在具有共享潜在空间的两个数据通道（视网膜和 CMR 图像）之一上进行训练。在第二阶段，在重建的CMR和人口数据上训练深度回归函数，以估计LVM和LVEDV。

图2 模型图

2.3 实验与结果

在这项研究中，作者对来自UKB队列参与者的CMR、视网膜图像和人口统计数据联合训练了mcVAE和深度回归网络。第一个实验使用手动和自动勾画CMR图像作为ground truth来估计视网膜图像的LVM和LVEDV。由8名专家组成的团队使用cvi42分析了这些人工勾画的图像。这组实验的主要动机是在本系统和最先进的方法之间进行公平的比较。

图3a表示使用我们的方法估计的LVM (r=0.65)和LVEDV (r=0.45)值与使用cvi42从CMR图像手动计算的值之间的相关性。

对LVM和LVEDV进行自动标注，计算参与者的Bland-Altman图和Pearson相关性(见图3b)。

图3b显示了该方法和参数估计的LVM和LVEDV之间的相当大的相关性。

图3 使用手动和自动注释估计LVM和LVEDV

本文提出的方法可以从视网膜图像和人口统计数据中估计LVM和LVEDV，并可以改善对未来MI事件的预测。为了证明这一点，作者比较了两种情况下的MI预测:(1)仅使用人口统计数据，(2)使用LVM/ LVEDV(使用文中的方法预测)加上人口统计数据。为此，作者对之前未用于训练和逻辑回归模型的受试者进行了十倍交叉验证(见图4)。

图4(右)显示了当使用LVM/LVEDV加上人口统计学来预测MI时，ROC曲线下的面积显著增加。

图4 MI预测的交叉验证结果

三、总结

本研究提出了一种评估心脏指数(如LVM和LVEDV)的系统，并使用廉价且易于获得的视网膜照片和人口统计数据预测未来的MI事件。作者使用了来自UKB成像研究的5663名受试者——包括舒张末期心脏磁共振、视网膜图像和人口统计学数据——来训练和测试所提出的方法。经过使用这个系统来预测有视网膜图像且在训练过程中未使用的受试者的心肌梗死，作者发现，与仅使用人口统计学数据相比，同时使用心脏指数和人口统计学数据可以更好地预测心肌梗死事件。最后，作者在AREDS数据集上对该方法进行了独立的复制研究。虽然观察到性能下降，该方法的鉴别能力与之前报道的建立的CVD风险评估模型相当。这强调了该方法有可能被用作眼科诊所/配镜师的第二个转诊工具，以识别未来有MI事件风险的患者。未来的工作将探索遗传数据，以提高所提出方法的鉴别能力，并可解释人工智能技术，以识别有助于评估CVD风险的主要视网膜表型。这将有助于促进患者心血管疾病风险的细粒度分层，这将是提供个性化药物的关键一步。

1. Attar, R. et al. Quantitative CMR population imaging on 20,000 subjects of the UK Biobank imaging study: LV/RV quantification pipeline and its evaluation. Med. Image Anal. 56, 26–42 (2019).

参考文献

https://www.nature.com/articles/s42256-021-00427-7