基于深度学习技术ldquo解密rd
DeepLearning深度学习辣汤小组3月29日
由中国医学科学院北京协和医学院国家心血管疾病临床重点研医院，完成了基于面部照片的深度学习检测冠状动脉疾病的研究，并在心血管顶级期刊ESC(EuropeanSocietyofCardiology)(SCIIF:22.)，发表了文章，题目为“Feasibilityofusingdeeplearningtodetectcoronaryarterydiseasebasedonfacialphoto”。(doi:10./eurheartj/eh
aa)
冠状动脉疾病（CAD）仍然是世界所有地区心血管疾病死亡和慢性残疾的主要原因。迫切需要精确，实用和经济高效的工具来筛选CAD。除了基于临床危险因素的常规预测模型外，某些面部特征与CAD风险增加有关，这可能为疾病筛查提供了一种潜在手段。例如，发现脱发，白发，面部皱纹，耳垂折痕，黄褐斑和角膜弓形可能与CAD风险增加和心血管健康不良有关。进一步的研究表明，这些面部特征在识别CAD或改善传统预测模型的性能上可能具有公平的表现。
但是，由于面部特征类别少且患病率低，因此将此类面部特征用于CAD筛查受到了限制，缺乏具体的定义和可量化的严重程度等级，因此，需要一种工具来整合与CAD相关的所有面部特征以进行疾病筛查。随着人工智能的发展，深度学习算法已成为疾病诊断的有前途的工具基于面部照片的预测和预测，特别是对于遗传和内分泌疾病。
因此，该团队假设这种新颖的方法可能有助于整合面部特征以检测CAD。这项研究旨在开发和验证深度学习算法，以使用面部照片检测CAD。
该团队进行了多中心横断面研究。
该团队对在中国9个地点接受冠状动脉造影或计算机断层血管造影的患者进行了一项多中心横断面研究，以训练和验证用于检测冠状动脉病变的深度卷积神经网络来自患者面部照片的CAD（至少一个50%狭窄）。年7月至年3月，名患者连续入组8个地点，随机分为训练组（90%，n=）和验证组（10%，n=）组用于算法开发。在年4月至年7月期间，共有9个地点的名患者接受了治疗加入测试组进行算法测试。灵敏度、特异性和受试者工作特性下的面积以放射科医师诊断为参考标准计算曲线（AUC）。使用操作切点灵敏度高，试验组CAD检测算法的灵敏度为0.80，特异性为0.54；AUC为0.（95%置信区间，0.–0.）。该算法的AUC高于Diamond-Forrester模型（0.对0.，P0.）和CAD联合体临床评分（0.对0.，P0.），在年7月至年3月之间，共有名患者入选了名符合纳入标准的患者。该团队排除了44例（0.8％）面部照片不合格的患者。在剩余的名患者中，该团队将90％（n=）随机分为训练组，将10％（n=）分为验证组。两组的基线特征相似。
图1.研究流程图。在测试组的9个中心中，有8个还参加了培训组和验证组。CABG，冠状动脉搭桥术；PCI，经皮冠状动脉介入治疗。
图2.图形概要。关键词：深度学习.冠状动脉疾病.人脸
在算法设计方面该文章设立了6个模型
纯面部图像模型
传统DFM（冠心病评测方法）（UDFM主要纳入性别、年龄、胸痛）
查阅资料如下
临床数据的
纯变量逻辑回归拟合模型
面部模型和DF三个变量结合
面部模型和26个变量模型结合
最后模型数据对比
图3.检测冠状动脉疾病性能的不同模型的数据对比
该团队的结果提出了一个新概念，其中使用深度学习进行部分析可以帮助在这项大规模的中国人口研究中检测出CAD。这项工作为开发基于深度学习的工具提供了可能的一步，该工具可用于在门诊诊所进行预测试CAD概率评估或在社区进行CAD筛查，这可能有助于指导进一步的诊断测试或就诊。END预览时标签不可点收录于话题#个上一篇下一篇
