从视网膜底部照片中预测心血管风险因素:在肯尼亚的一项前性非干预性研究中验证深度学习算法
Tom White1, Viknesh Selvarajah2, Fredrik Wolfhagen-Sand2
1Data Science and Advanced Analytics, Data Science & Artificial Intelligence, R&D, AstraZeneca, Cambridge, UK.
Diabetes, obesity & metabolism
|April 15, 2024
概括
机器学习模型在肯尼亚从视网膜图像中估计了心血管参数,准确度略低于英国. 在资源有限的环境中,建议进行重新校准以改善早期心血管查.
科学领域:
- 医学成像医学成像
- 机器学习 机器学习
- 心血管健康的心血管健康
背景情况:
- 高血压和糖尿病是导致疾病和死亡的重要原因,特别是在缺乏诊断和治疗的低收入国家.
- 机器学习 (ML) 为改善医疗保健基础设施有限的地区的诊断提供了潜在的解决方案.
研究的目的:
- 开发和验证使用视网膜底部照片估计心血管参数的ML算法.
- 评估在肯尼亚人群应用时,在英国生物库数据上训练的ML模型的性能.
主要方法:
- 一项非干预性研究收集了301名肯尼亚参与者的数字视网膜底部照片,血压 (BP),实验室测量和病史.
- 最初在英国生物库数据上训练的ML模型,被评估其估计血压,糖化血红蛋白,估计膜过率和从 fundus 图像进行诊断的能力.
主要成果:
- 肯尼亚参与者通常更年轻,更有可能是黑人/非洲人,与英国生物银行队列相比,BMI,DM和高血压的患病率更高.
- ML模型显示了可比或略高的平均绝对误差对于静脉血压,透气血压,糖化血红蛋白和估计的膜过率.
- 糖尿病检测模型在接收器操作曲线 (AUC) 下的面积为0.762 (相对于英国生物库的0.818),高血压模型的AUC为0.765 (相对于英国生物库的0.738).
结论:
- ML模型估计了肯尼亚人群中的心血管参数,其准确度与英国生物银行队列中观察到的准确度相似或略低.
- 模型重新校准可能是必要的,以优化在不同人群中的性能.
- 这项研究是迈向使用ML在资源有限的环境中进行可访问的早期心血管查的一步.
