将深度学习集成于眼底图像和光学相干断层扫描用于心血管疾病预测

及早识别面临心血管疾病 (CVD) 风险的患者对于有效的预防性护理、减轻医疗负担以及改善患者生活质量至关重要。本研究展示了利用眼底光学相干断层扫描 (OCT) 图像结合眼底照片识别未来不良心脏事件的潜力。我们使用来自 977 名在图像获取后 5 年内经历 CVD 的患者数据，以及 1,877 名无 CVD 的对照受试者，总计 2,854 名受试者。我们提出一种基于多通道变分自编码器 (MCVAE) 的新型二分类网络，该网络学习患者眼底和 OCT 图像的潜在嵌入，以将个体分类为：即将来发展 CVD 或不发展 CVD。我们的模型在两种成像模态上训练，取得了令人鼓舞的成绩（AUROC 0.78 ± 0.02，准确率 0.68 ± 0.002，精确率 0.74 ± 0.02，灵敏度 0.73 ± 0.02，特异度 0.68 ± 0.01），证明了其在基于眼底图像识别未来 CVD 风险的有效性。本研究突显了眼底 OCT 成像和眼底照片作为成本效益高且无创的心血管疾病风险预测替代方案的潜力。这些成像技术在视力科学和医院的广泛可用性进一步增强了其大规模 CVD 风险筛查的潜力。我们的发现为开发标准化、可及的早期 CVD 风险识别方法贡献了力量，这些方法可能有助于改进预防性护理策略和患者预后。