原創 風不止步 圖靈基因 今天
收錄於話題 前沿分子生物學技術
撰文：風不止步
IF=12.121
推薦度：⭐⭐⭐⭐⭐
亮點：
深度學習模型可透過一次LDCT檢查的定量資訊，幫助降低CVD高危患者的成本和放射線劑量，利用LDCT技術建立心血管疾病相關風險圖譜方面取得重大進展。
2021年5月20日，美國生物醫學成像中心的 Pingkun Yan等人在【Nature Communications】上發表了一篇「Deep learning predicts cardiovascular disease risks from lung cancer screening low dose computed tomography 」的文章。研究表明，在高危患者中，深度學習模型可將用於肺癌篩查的LDCT轉換為一種用於CVD風險估計的雙篩查定量工具。
心血管疾病(CVD)影響著近一半的美國成年人，並導致超過30%的死亡。最新的研究表明，被診斷為癌癥的患者患心血管疾病死亡的風險比一般人群高10倍。對於肺癌篩查，低劑量電腦斷層掃描(LDCT)已被臨床試驗證明是有效的。
機器學習，特別是深度學習，可從CT影像的細微特征中檢測異常。大多數機器學習方法預測的臨床相關影像特征包括CAC評分，非鈣化動脈粥樣硬化斑塊定位，狹窄來自心臟CT。與心臟CT影像相比，LDCT影像存在運動偽影和低訊雜比。深度學習演算法被用於量化來自LDCT影像的CAC評分，作為CVD風險的替代品。所開發的KAMP-Net方法首先從整個LDCT體積中選取具有代表性的2D關鍵切片，套用end-to-end CNN預測全因死亡風險(曲線下面積為0.76)。利用end-to-end深度神經網路對心血管疾病患者進行篩查，直接從胸部LDCT檢查中量化心血管疾病死亡風險評分。具體來說，聚焦於胸部LDCT掃描中的心臟區域，並基於自動學習的心血管疾病和死亡風險的綜合特征進行預測。
圖1為研究的概述。研究納入了兩個數據集，共10730名受試者(圖1a)。利用國家肺部篩查試驗(NLST)公共數據集進行模型開發和驗證。首先使用來自NLST數據集的263個LDCT訓練CNN心臟檢測器來分離心臟區域(圖1b)。然後提出了三維(3D) CNN模型，Tri2D-Net，由CVD特征提取和CVD篩選分類器組成。使用CVD篩選結果作為目標標簽，對Tri2D-Net進行訓練(圖1c)。訓練後，使用CVD陽性預測機率作為CVD死亡風險量化評分，並透過NLST數據集上的CVD死亡標簽進行驗證。為了進一步評估模型的泛化能力，將學習的高維CVD特征用三種流行的金標準CVD風險評分進行校準，包括CAC評分、CAD-RADS評分和MESA 10年期風險評分。
NLST招募了26,722名LDCT篩查組的受試者，得到來自NCI的16264名受試者的47221次CT檢查，然後將數據集中的每個受試者標記為心血管疾病陽性或陰性，進行心血管疾病篩查。將實驗物件隨機分為3組，分別進行訓練(70%)、驗證(10%)和測試(20%)。表1和表2列出了數據集的特征。為量化心血管疾病的死亡風險，根據數據集提供的ICD-10程式碼確定心血管疾病相關的死亡率，所選的ICD-10程式碼如表1所示。
MGH數據集包含335例接受LDCT肺癌篩查的患者。對受試者的心臟CT影像進行三種CVD風險評分，包括CAC評分，冠狀動脈狹窄(量化為CAD-RADS)和MESA 10年風險。表1和表2列出了數據集的特征。MGH數據集用於評估NLST訓練模型的臨床意義，用於特征提取。用三個金標準的風險評分作為替代評估者來校準模型。
在NLST數據集上進行實驗，分別用於CVD篩查和CVD死亡率量化的評估，並將所提出的深度學習模型與其他深度學習模型以及CAC評分進行了比較。圖2a為多種方法的接收機工作特性曲線(roc)，與最近報道的KAMP-Net, Auto-encoder (AE +SVM)和基於深度學習的CACsocing模型(DeepCAC)進行比較，該模型明顯優於其他三種方法。表明模型可以利用LDCT區分高CVD風險和低CVD風險的受試者。此外，該模型在量化心血管疾病死亡風險方面的表現同樣優於其他競爭方法（2b）。
為進一步比較，圖3分別給出模型標記的不同風險組和放射醫師標記的不同風險組的Kaplan-Meier曲線。選擇了一個閾值來劃分量化的CVD風險評分，從而使低風險組的生存機率為95.79%（圖3a），高危組的生存機率為85.75%（圖3b）。表明模型可幫助減少量化CAC時觀察者之間和觀察者內部的變化。該模型還可自動對CVD風險進行分類。為研究AI模型的可泛化性，直接將NLST數據集上訓練的模型套用到MGH數據集。進行實驗，分別驗證了CVD篩選和評估深度學習模型對金標準CVD危險因素的可靠性。
在CVD篩選實驗中，深度學習模型取得了顯著的AUC值為0.924，比它在最初訓練的NLST數據集上的效能更高，原因為MGH數據集包含更好的影像品質和更準確的金標準。為評價深度學習量化CVD風險評分的泛化能力，將訓練後的模型直接套用於MGH數據，並評估模型預測的LDCT風險評分與心電圖門控心臟CT計算的三種臨床采用的風險評分之間的一致性。結果表明，在區分重度CAC和非重度CAC患者方面，深度學習量化CVD風險評分與心電圖門控心臟CT的CAC評分高度一致。模型可以量化低密度CT上的亞臨床影像學標記物，使其成為一種很有前途的評估肺癌CVD的工具。
教授介紹
Pingkun Yan
在加入RPI生物醫學工程系之前，Pingkun Yan博士自2013年以來一直擔任飛利浦研究北美部的高級科學家。博士一直擔任包括神經計算，機器視覺與套用在內的幾本國際期刊的副編輯。
嚴博士的研究目標是使用人工智慧和電腦視覺技術對大型多模態醫學成像數據中的資訊進行量化，增強和視覺化。他的研究使新的診斷和治療方法具有更高的準確性和效率。Pingkun在知名的國際期刊和會議上發表了80多篇同行評審文章，被參照了3000多次。
參考文獻
1、Hanqing Chao ,Hongming Shan et al. Deep learning predicts cardiovasculardisease risks
from lung cancer screening low dosecomputed tomography(2021)
