原创 风不止步 图灵基因 今天
收录于话题 前沿分子生物学技术
撰文：风不止步
IF=12.121
推荐度：⭐⭐⭐⭐⭐
亮点：
深度学习模型可通过一次LDCT检查的定量信息，帮助降低CVD高危患者的成本和辐射剂量，利用LDCT技术建立心血管疾病相关风险图谱方面取得重大进展。
2021年5月20日，美国生物医学成像中心的 Pingkun Yan等人在【Nature Communications】上发表了一篇「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，深度学习模型可将用于肺癌筛查的LDCT转换为一种用于CVD风险估计的双筛查定量工具。
心血管疾病(CVD)影响着近一半的美国成年人，并导致超过30%的死亡。最新的研究表明，被诊断为癌症的患者患心血管疾病死亡的风险比一般人群高10倍。对于肺癌筛查，低剂量计算机断层扫描(LDCT)已被临床试验证明是有效的。
机器学习，特别是深度学习，可从CT图像的细微特征中检测异常。大多数机器学习方法预测的临床相关图像特征包括CAC评分，非钙化动脉粥样硬化斑块定位，狭窄来自心脏CT。与心脏CT图像相比，LDCT图像存在运动伪影和低信噪比。深度学习算法被用于量化来自LDCT图像的CAC评分，作为CVD风险的替代品。所开发的KAMP-Net方法首先从整个LDCT体积中选取具有代表性的2D关键切片，应用end-to-end CNN预测全因死亡风险(曲线下面积为0.76)。利用end-to-end深度神经网络对心血管疾病患者进行筛查，直接从胸部LDCT检查中量化心血管疾病死亡风险评分。具体来说，聚焦于胸部LDCT扫描中的心脏区域，并基于自动学习的心血管疾病和死亡风险的综合特征进行预测。
图1为研究的概述。研究纳入了两个数据集，共10730名受试者(图1a)。利用国家肺部筛查试验(NLST)公共数据集进行模型开发和验证。首先使用来自NLST数据集的263个LDCT训练CNN心脏检测器来分离心脏区域(图1b)。然后提出了三维(3D) CNN模型，Tri2D-Net，由CVD特征提取和CVD筛选分类器组成。使用CVD筛选结果作为目标标签，对Tri2D-Net进行训练(图1c)。训练后，使用CVD阳性预测概率作为CVD死亡风险量化评分，并通过NLST数据集上的CVD死亡标签进行验证。为了进一步评估模型的泛化能力，将学习的高维CVD特征用三种流行的金标准CVD风险评分进行校准，包括CAC评分、CAD-RADS评分和MESA 10年期风险评分。
NLST招募了26,722名LDCT筛查组的受试者，得到来自NCI的16264名受试者的47221次CT检查，然后将数据集中的每个受试者标记为心血管疾病阳性或阴性，进行心血管疾病筛查。将实验对象随机分为3组，分别进行训练(70%)、验证(10%)和测试(20%)。表1和表2列出了数据集的特征。为量化心血管疾病的死亡风险，根据数据集提供的ICD-10代码确定心血管疾病相关的死亡率，所选的ICD-10代码如表1所示。
MGH数据集包含335例接受LDCT肺癌筛查的患者。对受试者的心脏CT图像进行三种CVD风险评分，包括CAC评分，冠状动脉狭窄(量化为CAD-RADS)和MESA 10年风险。表1和表2列出了数据集的特征。MGH数据集用于评估NLST训练模型的临床意义，用于特征提取。用三个金标准的风险评分作为替代评估者来校准模型。
在NLST数据集上进行实验，分别用于CVD筛查和CVD死亡率量化的评估，并将所提出的深度学习模型与其他深度学习模型以及CAC评分进行了比较。图2a为多种方法的接收机工作特性曲线(roc)，与最近报道的KAMP-Net, Auto-encoder (AE +SVM)和基于深度学习的CACsocing模型(DeepCAC)进行比较，该模型明显优于其他三种方法。表明模型可以利用LDCT区分高CVD风险和低CVD风险的受试者。此外，该模型在量化心血管疾病死亡风险方面的表现同样优于其他竞争方法（2b）。
为进一步比较，图3分别给出模型标记的不同风险组和放射医师标记的不同风险组的Kaplan-Meier曲线。选择了一个阈值来划分量化的CVD风险评分，从而使低风险组的生存概率为95.79%（图3a），高危组的生存概率为85.75%（图3b）。表明模型可帮助减少量化CAC时观察者之间和观察者内部的变化。该模型还可自动对CVD风险进行分类。为研究AI模型的可泛化性，直接将NLST数据集上训练的模型应用到MGH数据集。进行实验，分别验证了CVD筛选和评估深度学习模型对金标准CVD危险因素的可靠性。
在CVD筛选实验中，深度学习模型取得了显著的AUC值为0.924，比它在最初训练的NLST数据集上的性能更高，原因为MGH数据集包含更好的图像质量和更准确的金标准。为评价深度学习量化CVD风险评分的泛化能力，将训练后的模型直接应用于MGH数据，并评估模型预测的LDCT风险评分与心电图门控心脏CT计算的三种临床采用的风险评分之间的一致性。结果表明，在区分重度CAC和非重度CAC患者方面，深度学习量化CVD风险评分与心电图门控心脏CT的CAC评分高度一致。模型可以量化低密度CT上的亚临床影像学标记物，使其成为一种很有前途的评估肺癌CVD的工具。
教授介绍
Pingkun Yan
在加入RPI生物医学工程系之前，Pingkun Yan博士自2013年以来一直担任飞利浦研究北美部的高级科学家。博士一直担任包括神经计算，机器视觉与应用在内的几本国际期刊的副编辑。
严博士的研究目标是使用人工智能和计算机视觉技术对大型多模态医学成像数据中的信息进行量化，增强和可视化。他的研究使新的诊断和治疗方法具有更高的准确性和效率。Pingkun在知名的国际期刊和会议上发表了80多篇同行评审文章，被引用了3000多次。
参考文献
1、Hanqing Chao ,Hongming Shan et al. Deep learning predicts cardiovasculardisease risks
from lung cancer screening low dosecomputed tomography(2021)
