解决视网膜底部低估和解释基于照片的心血管疾病风险评分:算法开发和验证
Zhihong Lin1, Chi Liu2, Danli Shi3
1The AIM for Health Lab, Monash University, Melbourne, Australia; Faculty of Engineering, Monash University, Melbourne, Australia.
Computers in biology and medicine
|March 10, 2025
概括
这项研究开发了一个深度学习模型,从视网膜图像中预测心血管疾病 (CVD) 风险,提高准确性和识别关键图像特征. 该模型从年龄和性别表示中学习了风险预测,解决了低估问题.
科学领域:
- 眼科医生 眼科 眼科
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 心血管疾病 (CVD) 风险预测对于预防性护理至关重要.
- 视网膜底部照片为系统血管健康提供了一个非侵入性的窗口.
- 从视网膜图像中预测心血管疾病风险的现有AI模型可能受到低估.
研究的目的:
- 用视网膜图像来解决基于AI的CVD风险预测中的低估问题.
- 研究深度学习 (DL) 模型在评估心血管疾病风险方面的潜在机制.
- 在不同的数据集和摄像机类型上评估模型的性能.
主要方法:
- 一个顺序回归深度学习 (DL) 模型被开发用于10年心血管疾病风险评分预测.
- 转移学习和突出地图被用来探索DL模型的决策过程.
- 模型培训使用了英国生物库数据 (34,652名参与者);验证使用了澳大利亚数据集 (401名参与者),使用了桌面和便携式视网膜摄像头.
主要成果:
- 在英国生物库数据上,DL模型实现了0.772的平均风险水平准确度.
- 适度和高风险的接收器操作特征 (AUROC) 曲线下的面积分别为0.849和0.874.
- 外部验证显示风险级准确度为0.715 (桌面摄像头) 和0.656 (便携式摄像头).
结论:
- 提出的DL模型成功地将心血管疾病风险的低估降到最低.
- 该模型主要从与年龄和性别相关的图像特征中学习心血管疾病风险.
- 边缘小血管和斑点区域被确定为与高心血管疾病风险相关的图像特征.
