基于眼底彩照的冠心病智能分類系統

李治璽，周穎玲，楊小紅，彭冠凱，孟巍，何明光

(1.中山大學中山眼科中心眼底外科，眼科學國家重點實驗室，廣州 510060；2.廣東省人民醫院心內科，廣州 510000；3.廣東省人民醫院眼科，廣州 510000；4.廣州慧視眼科有限公司，廣州 510000；5.中山大學中山眼科中心防盲辦，眼科學國家重點實驗室，廣州 510060)

冠心病是全球致死率最高的疾病[1]，且大多數心臟疾病都屬于冠心病[2]。因此，對于如何盡早預測和判斷冠心病的高危人群極為重要。準確的預測模型對于降低冠心病高危人群的患病風險具有重大價值，但在臨床中仍缺乏較為全面和精準的模型。之前有學者[3-8]分析冠心病患者的臨床數據，得出池化隊列方程、弗雷明漢和系統性冠狀動脈風險評估方程等心血管疾病患病風險的計算公式。這些模型雖然取得了重大突破，但準確性仍待提高，并且模型包含很多有創的抽血檢查，如血糖和血脂等，使這些模型難以大規模推廣。

視網膜的圖像可以通過極為簡單、快捷、無創的方法取得。近期有研究[9-12]表明：視網膜情況可能反映心臟的狀態，其主要體現在血管的粗細程度、血管彎曲度及微血管改變。然而，目前的研究多局限在相關性研究，缺乏利用眼部特征的冠心病診斷模型構建研究。人工智能技術可智能識別醫學影像信息，近年來智能圖片識別已取得突破性成果，將該技術應用于醫學疾病的判定也是研究熱點之一[13-14]。

因此，本研究利用人工智能技術構建了一個基于眼底彩照的冠心病的智能診斷系統，檢測模型性能，以探究眼底彩照和人工智能在診斷或預測冠心病中的應用價值。

1 材料與方法

1.1 數據收集

本研究遵循赫爾辛基宣言，并獲得中山眼科中心倫理委員會的批準。由于本研究回顧性分析的完全匿名化的眼底彩照，故醫學倫理委員會批準免知情同意簽署。收集2013—2014年來自廣東省人民醫院和中山眼科中心530名患者共2 117張眼底彩照，其中冠心病217例共909張眼底彩照，包括107例心絞痛患者和110例心肌梗死患者。

擴瞳后收集每名受試者雙眼共4張眼底彩照像(Cannon CR-2相機)，每只眼分別收集1張以視盤為中心和1張以黃斑為中心的眼底彩照。眼底彩照的排除標準：1)屈光介質混濁，眼底彩照超過50%的區域不能清晰成像；2)有眼部外傷病史；3)有其他眼部疾病，如糖尿病視網膜病變、老年黃斑變性、近視視網膜病變、或青光眼等情況；4)因身體或精神原因不能配合檢查。

1.2 圖像處理與模型構建

根據臨床診斷將眼底彩照劃分為有、無冠心病，每1張經過標注的眼底彩照先預處理，將像素值初始化為0～1，大小調整為299×299，隨后圖像在水平方向平移0～3°或隨機旋轉90°、180°或270°進行數據擴增。將數據按照9:1劃分為訓練集和驗證集，采用Inception-V3的模型進行訓練。

1.3 統計學處理

采用STATA 14.0軟件分析數據。計量資料采用S-W檢驗檢測其是否呈正態分布，如符合正態性，以均數±標準差()表示，兩組間均數差異采用獨立樣本t檢驗；如不符合正態性，則使用秩和檢驗。計數資料采用卡方檢驗進行統計分析。以準確率、一致性、敏感性、特異性和受試工作特性曲線下面積(area under the curve，AUC)評價模型的性能。P＜0.05為差異有統計學意義。

2 結果

受試者年齡(64.9±9.2)歲；男420例，女120例；糖尿病患者87例，無糖尿病者443例。按9:1劃分訓練集和驗證集，1 903張眼底彩照用于模型構建即訓練集，214張用于模型測試，測試集和驗證集的臨床特征見表1。在兩個數據集中，有無冠心病受試者的年齡和性別差異均無統計學意義(P＞0.05)。

在測試集中，該模型的準確性為98.1%，一致率為98.6%，敏感性為100.0%，特異性為96.7%，AUC為0.988(95%CI：0.974～1.000，圖1)。

表1 訓練集和驗證集受試者的臨床特征Table 1 Clinical characteristics of participants in training and validation dataset

圖1 人工智能模型判定冠心病的ROC曲線Figure 1 ROC curve of artificial intelligence in diagnosis of coronary heart disease

3 討論

冠心病的常規檢查手段包括心電圖、血清生物標志物、冠狀動脈計算機化X線體層照相術(computed tomography，CT)血管成像、冠狀動脈造影等。冠狀動脈CT常被用來做冠心病的無創性篩查，但在醫療資源不足的地區或社區篩查常因缺乏昂貴的CT檢查設備而無法進行。冠狀動脈造影是診斷冠心病的金標準，但卻有創，且需要專業的心內科醫生進行操作，更重要的是0.2%～0.9%的患者會出現造影并發癥，如心律失常、假性動脈瘤、動脈瘺、心肌梗死和造影劑過敏等，因而難以推廣到大范圍的篩查和可疑病例的篩選中。本研究為診斷和預測冠心病提供了一種新思路，即采用簡單、便捷、無創、費用低廉的眼底彩照作為切入點，與前沿的人工智能技術相結合，實現冠心病的診斷或預測。

本研究報道的冠心病智能預測模型采用深度學習網絡框架，并取得了良好的表型。近年來，也有少量使用眼底彩照判定或預測心腦血管疾病相關指標的智能模型，但與本研究觀察的冠心病仍存在差異[15-16]。谷歌使用284 355例患者的眼底彩照數據構建智能評估心腦血管危險因素及心腦血管重大事件模型，其中重大心臟事件判定模型的AUC僅為0.70[15]。由于在該數據集中大多數為健康人群，有重大心臟事件的患者僅有631例，這也是造成該模型準確率較低的原因之一。此外，Son等[16]使用20 130例患者的眼底彩照智能評估冠狀動脈鈣化評分，AUC達到82.3%～83.2%。雖然本模型已獲得較高的準確率，但需要未來用大樣本量的數據進一步驗證該模型，排除過擬合的可能。

臨床上，眼底彩照常規用于眼底疾病診治，而并非檢測心血管疾病。視網膜眼底圖像反應了視網膜血管的概況，而視網膜的血管可能反應心血管的負荷狀態，當心臟負荷較高時，會產生高血壓類似的血管改變，如視網膜血管僵硬增加和小靜脈改變，這些細微改變在眼底圖像中肉眼常常是難以識別的。但深度學習算法可在像素級別上發現并捕捉這些微小改變從而用于心血管疾病的診斷與預測。

綜上所述，本研究發現通過眼底彩照和人工智能技術結合構建的智能系統用于冠心病的輔助診斷完全可行，特別是在我國心血管疾病患者群體龐大，醫療資源分布不均和基層專科醫生的匱乏的環境下，利用眼底彩照和人工智能技術診斷或預測冠心病具有廣闊的應用前景。