• <rp id="btcsk"><code id="btcsk"><rt id="btcsk"></rt></code></rp>

    <rp id="btcsk"><ruby id="btcsk"><input id="btcsk"></input></ruby></rp>

  • <dd id="btcsk"><pre id="btcsk"><i id="btcsk"></i></pre></dd>
    <th id="btcsk"></th>

    1. BACK

      NEWS

      人工智能實現心血管疾病風險評估的新可能

       redpharm

      2017-11-29

      心臟病、中風以及其他心血管疾病一直是人類健康面臨的棘手難題而評估疾病風險則是降低患者患心血管疾病可能性的關鍵步驟。為做好這一步,醫療診斷通常會將眾多風險因素納入評估范圍,其中包含:遺傳(年齡和性別),生活方式(吸煙和血壓)。

      雖然心血管風險因素的相關情況,大多可以通過詢問病人來獲取,但真正掌握風險因素卻沒那么簡單,因為這不僅需要通過采集樣本(如抽血檢驗),同時也要考慮引發心血管疾病的其他相關性疾?。ㄈ缣悄虿。淼挠绊?。因此,如何快速準確獲取疾病風險信息也就成為心血管疾病診療的關鍵所在。

      近期,國內外包括谷歌AI 、潤方ARIA 在內的許多通過人工智能和大數據分析提高醫學影像輔助診斷準確度的案例,尤其在糖網病方向。它們除了檢測糖網病外,還可以通過眼底圖準確地檢測其他心血管疾病指標,并利用視網膜成像分析技術對阿茲海默、糖尿病、中風等慢性疾病的預防與控制。

      這個發現令人異常興奮,因為它表明可以通過眼底圖像,去篩查出更多的病變。

      谷歌AI曾通過來自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,通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,該技術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。

      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,例如血管用于血壓,視盤用于其他預測。

      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),包括ARIA在內的技術手段直接預測心血管疾病風險方面準確率很高。

      基于兩張眼底圖像(1張是長達5年后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),通過整個圖像來量化圖像與心臟病發作/中風之間的關聯,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。不過,最讓人感覺興奮的不是研究結果,更重要的是,這種方法打開了診斷領域的“黑盒子”,為以后的心血管疾病診斷提供了更多的可能,甚至為心血管診斷開創了一種全新途徑。

      傳統意義上,醫學發現通常是通過一種復雜的猜測和測試來完成的:觀察,得出假設,然后設計和運行實驗來測試假設。然而,由于實際圖像中存在各種特征、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。而利用深度學習來繪制人體解剖學和疾病之間的關聯,類似于醫生聯系癥狀和體征診斷新的疾病,這可以幫助科學家產生更有針對性的假設,并推動廣泛的未來研究。

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


      hd欧美free性xxxx护士_影音先锋色资源_人人澡人人妻人人爽人人蜜桃_日日摸夜夜爽啪啪A片情侣