一个机器学习预测模型以识别基于视网膜成像的5年内发生中风风险的个体

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 心血管疾病预测预测

背景情况:

• 在全球范围内,中风是导致死亡和残疾的主要原因.
• 目前的中风风险预测模型在准确性和范围上有局限性.
• 视网膜成像为系统健康提供了一个新的,非侵入性的窗口.

研究的目的:

• 开发和验证一种基于人工智能的模型,用于预测5年和10年内发生的中风风险.
• 评估将视网膜成像数据纳入中风风险预测中的有效性.
• 将人工智能模型的性能与传统中风风险得分进行比较.

主要方法:

• 在专有数据集 (>6500名参与者) 上训练了一个AI模型,包括视网膜图像,社会人口统计和风险因素.
• 在英国生物银行数据集上外部验证模型.
• 使用 fundus 摄影和眼镜显微镜来获取视网膜图像.
• 将AI模型性能 (AUC,灵敏度,特异性) 与弗拉明汉和CHADS2分数进行比较.

主要成果:

• 人工智能模型实现了80%的灵敏度和82%的特异性,用于5年中风预测 (AUC 0.83).
• 对于10年预测,该模型产生了72%的灵敏度和78%的特异性 (AUC0.79).
• 与没有它们的模型和传统得分相比,视网膜特征显著提高了预测准确性 (弗雷明汉AUC 0.73,CHADS2AUC 0.74).

结论:

• 结合视网膜成像数据的AI模型显著改善了5年和10年中风事件的预测.
• 这种方法提供了一种有希望的非侵入性方法,用于早期识别高风险中风的个体.
• 经过验证的模型显示了在中风预防策略中广泛临床应用的潜力.