利用深度学习从视网膜眼底照片预测心血管风险因素
计算机视觉与模式识别
2020-06-19 v2
摘要
传统上，医学发现是通过观察关联性，然后设计实验来检验这些假设而获得的。然而，由于真实数据中特征、模式、颜色、值和形状的多样性，在图像中观察和量化关联性可能十分困难。在本文中，我们使用深度学习（一种自行学习特征的机器学习技术）从视网膜眼底图像中发现新知识。利用基于284,335名患者数据训练的模型，并在包含12,026名和999名患者的两个独立数据集上进行验证，我们预测了此前被认为无法在视网膜图像中呈现或量化的心血管风险因素，例如年龄（误差在3.26年以内）、性别（AUC 0.97）、吸烟状况（AUC 0.71）、糖化血红蛋白（误差在1.39%以内）、收缩压（误差在11.23mmHg以内）以及主要不良心脏事件（AUC 0.70）。我们进一步表明，我们的模型利用了解剖结构的不同方面（如视盘或血管）来生成每项预测，这为进一步研究开辟了途径。
引用
@article{arxiv.1708.09843,
title = {Predicting Cardiovascular Risk Factors from Retinal Fundus Photographs using Deep Learning},
author = {Ryan Poplin and Avinash V. Varadarajan and Katy Blumer and Yun Liu and Michael V. McConnell and Greg S. Corrado and Lily Peng and Dale R. Webster},
journal= {arXiv preprint arXiv:1708.09843},
year = {2020}
}