基于人工智能对谷歌街景的建筑环境的评估以及冠状动脉疾病的流行率

科学领域:

• 环境流行病学环境流行病学
• 城市健康 城市健康
• 机器学习在公共卫生中的应用.

背景情况:

• 建筑环境显著影响心血管疾病 (CVD) 的发展.
• 使用机器视觉和信息学进行建筑环境评估的现有工具有限.
• 这项研究探讨了机器视觉衍生的建筑环境数据与美国城市心脏代谢疾病患病率之间的联系.

研究的目的:

• 通过机器视觉评估的建筑环境与心脏代谢疾病的患病率之间的联系.
• 在人口普查通道层面确定与冠心病 (CHD) 相关的特定建筑环境特征.
• 评估机器视觉对评估城市健康风险的有用性.

主要方法:

• 这是一项利用0.53万张谷歌街景 (GSV) 图像在美国七个城市的789个人口普查区进行的横截面研究.
• 使用深度学习 (卷积神经网络) 从GSV图像中提取构建环境特征.
• 应用线性混合效应模型和激活图来将建筑环境特征与心脏病发病率联系起来,控制人口统计.

主要成果:

• 来自GSV的建筑环境特征预测了在人口普查通道水平上CHD流行率变化的63%.
• 结合GSV功能,超越传统的人口和社会经济因素,增强了预测模型.
• 激活地图突出显示了邻里特征,特别是建筑物和道路,与CHD患病率有关.

结论:

• 使用深度学习从GSV获得的建筑环境因素独立地与心脏病发病率相关,不管人口普查区的人口统计数据如何.
• 机器视觉提供了一种精确的方法来评估建筑环境和识别有风险的社区.
• 这种方法提供了一种有效的策略,用于解决和减少城市环境中的心血管健康差异.