2019/02/19 10:34

想知道心血管疾病风险有多大？容AI掐指一算

心血管疾病是对人类生命威胁最大的疾病之一，也是世界范围内因病死亡的首要原因。据估计，全球每年都有约1790万人死于心血管相关疾病。

图片来源：Pixabay

不过，心血管疾病的发病也并非无迹可寻，血液和血管的一些生理指标都可以用来预测心血管疾病风险。冠状动脉中的钙化沉积会限制血管中血液的正常流动，进而增加心血管疾病的发生几率。所以，冠状动脉钙化（coronary artery calcium, CAC）沉积就是一个很好的心血管疾病预测指标。

虽然可以把冠状动脉钙化沉积的情况作为判断心血管疾病风险的依据，这个方法也有一定的局限性：评估CAC需要医学专家仔细检查CT扫描影像并跟踪观察恶化标志。而人手不足限制了进一步扩大CAC评估的适用范围。

为了拓展CAC评估在心血管疾病预测的应用，荷兰乌特勒支大学医疗中心（University Medical Center Utrecht）影像科学研究院的研究人员提出了一个AI系统，可以不需人工指导，自动为患者评估CAC情况。尽管这不是第一套自动评估CAC状况的AI系统，其速度却比以往的系统快了近百倍。

研究团队使用了两个卷积神经网络来实现对患者CAC状况的评估。第一个神经网络用于处理CT扫描影像，第二个神经网络则负责计算线性回归模型来得出CAC分数。

▲新AI系统的运作流程（图片来源：arxiv.org截图）

荷兰乌特勒支大学医疗中心和美国肺部筛查试验（National Lung Screening Trial）数据库中的CT影像为训练AI系统提供了数据支持。研究团队共使用了2590份CT扫描影像，其中包括一组心脏CT扫描和一组胸部CT扫描。每组影像中均有约一半用于训练AI，一半用于验证算法。

研究人员采用了配备了英特尔处理器和英伟达Titan X显卡的设备，这套设备在0.3秒以内即可给出CAC评估分数，并且相关系数高达0.98。相关系数在回归模型中用于描述两个变量之间的相关性强度，在本试验中即是AI预测的CAC分数和人工计算的CAC分数之间的相关强度。也就是说，AI和放射科专家在判断冠状动脉钙化这一问题上，具有极高的默契。

不仅如此，AI系统还能为医生提供数字化的影像报告分析，通过热力图等方式预测钙化的具体情况，方便医生临床和研究途径的使用。

现在，用于心血管疾病诊断的AI系统越来越多，其中也不乏通过医疗器械审批的产品。此次乌特勒支大学医疗中心的新成果，再次丰富了心血管疾病相关的AI应用，不仅能减轻医生的工作负担，也有望为更多的患者带来更好的医疗体验。

参考资料：

[1] AI examines artery calcium deposits to assess heart disease risk。 Retrieved Feb 18, 2019 from https://venturebeat.com/2019/02/15/ai-examines-artery-calcium-deposits-to-assess-heart-disease-risk/

药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康，带你看全AI时代的智慧之光。

产业心血管CAC卷积神经网络

相关数据

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

线性回归技术

在现实世界中，存在着大量这样的情况：两个变量例如X和Y有一些依赖关系。由X可以部分地决定Y的值，但这种决定往往不很确切。常常用来说明这种依赖关系的最简单、直观的例子是体重与身高，用Y表示他的体重。众所周知，一般说来，当X大时，Y也倾向于大，但由X不能严格地决定Y。又如，城市生活用电量Y与气温X有很大的关系。在夏天气温很高或冬天气温很低时，由于室内空调、冰箱等家用电器的使用，可能用电就高，相反，在春秋季节气温不高也不低，用电量就可能少。但我们不能由气温X准确地决定用电量Y。类似的例子还很多，变量之间的这种关系称为“相关关系”，回归模型就是研究相关关系的一个有力工具。

来源：王松桂等编线性统计模型线性回归与方差分析高等教育出版社 Wikipedia

卷积神经网络技术

卷积神经网路（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层（对应经典的神经网路）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路，卷积神经网路需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据，它可以被认为是以一定时间间隔采样的一维网格，又如图像数据，其可以被认为是二维像素网格。

来源：Goodfellow, I.; Bengio Y.; Courville A. (2016). Deep Learning. MIT Press.维基百科