基于面部照片检测冠状动脉疾病的可行性

向医生发送“自拍”可能是一种廉价而简单的检测心脏病的方法。这项研究首次表明，通过分析一个人的四张脸部照片，可以使用深度学习的计算机算法来检测冠心病。

尽管该算法还需要进一步开发，并在来自不同种族背景的更大人群中进行测试，但研究人员表示，该算法有可能被用作筛查工具，在普通人群或高危人群中识别可能的心脏病，可转诊作进一步的临床研究。

这是第一次证明人工智能可以用来分析人脸来检测心脏病。这是朝着开发一种基于深度学习的工具迈出的一步，该工具可用于评估心脏病的风险，无论是在门诊部，还是通过患者“自拍”进行自己的筛查。

但研究最终目标是开发一个自我报告的应用程序，在去诊所之前评估心脏病的风险。这可能是一种廉价、简单、有效的鉴别病人的方法。然而，该算法需要在其他人群和种族中进一步完善和外部验证。

众所周知，某些面部特征会增加患心脏病的风险。这些症状包括头发稀疏或灰白、皱纹、耳垂皱褶、黄色弹性瘤（皮肤下的胆固醇沉积，通常在眼睑周围）和角膜弓（脂肪和胆固醇沉积在角膜外缘呈模糊的白色、灰色或蓝色不透明环）。然而，人类很难成功地使用它们来预测和量化心脏病风险。

研究人员从2017年7月至2019年3月期间，从8家医院招募了5796名患者参与研究。这些患者正在接受影像学检查，如冠状动脉造影或冠状动脉计算机断层摄影术（CCTA）。他们被随机分为训练组（5216例，90%）或验证组（580例，10%）。

训练有素的研究护士用数码相机拍了四张面部照片：一张正面照片，两张侧面照片和一张头顶照片。他们还采访了患者，以收集社会经济状况、生活方式和病史方面的数据。放射科医生复查了病人的血管造影，并根据有多少血管缩小了50%或更多（≥50%狭窄）以及它们的位置来评估心脏病的程度。这些信息被用来创建、训练和验证深度学习算法。

研究人员随后在2019年4月至2019年7月期间在9家医院的1013名患者身上测试了该算法。各组患者以汉族为主。

他们发现，该算法优于现有的预测心脏病风险的方法（Diamond-Forrester模型和CAD联盟临床评分）。在验证组的患者中，该算法在80%的病例中正确检测到心脏病（真阳性率或敏感性），61%的病例没有正确检测到心脏病（真阴性率或特异性）。试验组敏感性为80%，特异性为54%。

该算法的性能一般，而附加的临床信息并没有改善其性能，这意味着它可以很容易地仅根据面部照片来预测潜在的心脏病。与其他面部区域相比，脸颊、额头和鼻子为算法提供了更多的信息。然而，需要提高特异性，因为高达46%的假阳性率可能会给患者带来焦虑和不便，而且可能会使诊所超负荷，患者需要进行不必要的检查。

除了需要在其他种族群体中进行测试外，该研究的局限性还包括，试验组中只有一个中心不同于为开发算法提供患者的中心，这可能进一步限制了算法对其他人群的通用性。

总体而言，使用自拍作为一种筛选方法，可以使一种简单而有效的方法来筛选普通人群，以获得更全面的临床评估。这种方法也可能与全球资金不足、心血管疾病筛查计划薄弱的地区高度相关。一个像自拍一样容易完成的选择过程将允许一个分层的人群流，这些人被送入医疗系统，接受CCTA的一线诊断测试。事实上，“高风险”个人可以有一个CCTA，这将通过使用新的、人工智能驱动的CCTA图像分析方法实现可靠的风险分层。

但测试的特异性低，需要在更大的人群中改进和验证该测试，并且它提出了“出于歧视目的滥用信息”的伦理问题。敏感的健康记录数据可以很容易地从面部照片中提取出来，这种不必要的传播使得这里讨论的技术对个人数据保护构成了重大威胁，可能会影响保险选择。人们已经对滥用遗传数据表达了这样的担忧，应该对人工智能在医学中的应用进行广泛的重新审视。

开发和应用这些新技术的伦理问题至关重要。未来临床工具的研究应注意隐私、保险和其他社会影响，以确保该工具仅用于医疗目的。

将冠心病定义为一个主要冠状动脉狭窄程度≥50%“可能是一个简单而粗糙的分类，因为它集中在真正健康的非冠心病组个体中，但也有人已经发展出这种疾病，但仍处于早期阶段（这可能解释观察到的低特异性）。

来源：

Shen Lin et al. Feasibility of using deep learning to detect coronary artery disease based on facial photo, European Heart Journal (2020).

Selfies in cardiovascular medicine: welcome to a new era of medical diagnostics. European Heart Journal

《血管与腔内血管外科杂志》

2020.08.24

    关注 血管与腔内血管外科杂志