BILL OXFORD/GETTY IMAGES

心脏病发作似乎是一个完全随机的事件，但仍然有迹象能够表明一个人可能处于危险之中。如果你能从一个简单、相对便宜的眼睛扫描中发现这些迹象呢？是不是很神奇？

英国利兹大学的计算机和医学教授Alex Frangi说：“每次你去配眼镜的时候，就能看出来你有没有心脏病发作风险，那就太酷了。”

Frangi是这项新研究的作者之一，该研究试图做到这一点。视网膜或眼睛后部微小血管的细微变化可以显示出一个人可能存在心脏病发作的迹象，这使得使用人工智能检测这些差异成为可能。尽管人工智能在医学中的应用越来越普遍，可以检测阿尔茨海默病和癌症等疾病，但其中许多技术都是从昂贵的医学成像技术中分析数据的。相比之下，视网膜扫描既便宜又容易获取。在这项新的研究中，这项技术也相当有效，在70%到80%的时间里给出了准确的预测。这项研究是初步的，而且这种方法可能不像在研究中那样适用于真正的患者。尽管如此，专家们说，这是一项很有前途的创新，可以作为一种评估心脏病发作风险的简便方法。

Deepak Bhatt博士说：“对我来说，[这是一个]利用机器学习获取已有信息的非常好的例子，以一种新颖的方式使用它来帮助识别不同疾病状态下的风险。”Brigham and Women’s Hospital Heart&Vascular Center心血管介入项目执行主任，哈佛医学院医学教授如此表示，他未参与该研究。

研究人员从UK Biobank获取数据，这是一个庞大的生物医学数据库，收集了来自英国50万人的健康信息。为了训练该系统，他们使用了71515名接受过视网膜扫描的人的数据，以及5663名同时接受过视网膜扫描和心脏磁共振（CMR）扫描的人的数据。该系统由两个网络组成。第一种称为多通道变分自动编码器，使用较小的数据集进行训练，这两种类型的图像基本上都能将视网膜扫描转换为重建的心脏图像。一旦第一个网络经过训练和测试，它就被用作模板，用于在更大的数据集中使用视网膜扫描（以及患者信息，如年龄、性别、体重指数、血压和吸烟状况）来预测心脏病发作风险。

为了测试和训练该系统，研究人员将每个数据集分成10个部分，使用9个部分进行训练，最后一个部分进行测试。他们发现，根据测量的类型，该系统在70%到80%的时间内，通过视网膜扫描和人口统计学数据的组合，正确地预测了心脏病发作。为了进行比较，研究人员还仅使用人口统计学数据对心脏病发作风险进行了单独计算，这类数据通常用于确定某人是否可能有风险。基于该数据的预测准确率约低10%。

研究人员还想知道，如果他们使用的数据与美国国家眼科研究所（National Eye Institute）与年龄相关的眼部疾病研究中的数据完全不同，该系统是否准确。虽然他们发现图像质量和人口统计数据的差异对系统没有太大影响，但他们发现，在分析患有黄斑变性的患者的图像时，该系统的效率较低。

Frangi说：“当你的患者患有黄斑变性时，你正确预测心脏病发作结果的能力似乎被掩盖了。”根据这些患者的数据，该系统的准确率约为60%，但如果将其从研究样本中剔除，其保真度将提高到70%。

虽然该系统不一定比单独使用心脏成像来预测心脏病发作风险更准确，但视网膜扫描要便宜得多，也更容易获取。Bhatt说，该方法还可以帮助识别那些因不定期看初级保健医生而可能被错过的高危人群。在某些情况下，眼科医生已经可以从视网膜检查中发现一个人可能患有高血压或糖尿病的迹象。

在这项研究中，研究人员选择从视网膜图像生成一个预测的心脏扫描，并使用它来计算风险。其他研究采取了更直接的方法，只使用视网膜图像来计算风险。Frangi说，研究人员使用这种方法试图确保该系统在眼睛和心脏扫描之间建立正确的关联，并且不会从眼睛扫描中提取与心脏影响无关的模式。尽管如此，如果不直接比较研究中的方法，仍然很难说哪种方法效果更好。

Frangi说，他和他的同事们正在努力改进该系统，例如通过将患者的其他医学甚至基因信息纳入该系统。但他也明白，复杂的数据可能并不总是可用的，这是本研究在使用多个数据集和不同数量的患者信息时考虑到的。他说：“有时候，需要改变的不一定是复杂性。”

往期推荐