Discipline作者赵辰霞 排版王新凯编审

用自拍照检测心脏病?中国团队开发“观人诊病”AI工具!

望、闻、问、切,最早源于《难经》第六十一难,是为中医之纲领。其中,望,指观气色;闻,指听声息;问,指问症状;切,指摸脉象,合称四诊。

四诊之中,“望”为第一。在典故《扁鹊见蔡桓公》中,扁鹊神医观蔡桓公气色便告知“君有疾在腠理,不治将恐深”,蔡桓公讳疾忌医,最终病入膏肓,无药可医。

由此可见,气色可以充分反应一个人的精神面貌以及身体状态,身体健康的人气色大多不错,而患病的人看起来往往面色枯槁,萎靡不振。那么,我们是否可以通过面貌分析去辨别这个人是否患有某种疾病呢?

近日,中国国家心血管病中心、清华大学自动化系的研究人员在《欧洲心脏病学会》(ESC)上发表题为:Feasibility of using deep learning to detect coronary artery disease based on facial photo 的研究论文。

国家心血管病中心副主任、中国医学科学院阜外医院副院长郑哲教授,以及清华大学自动化系季向阳教授是论文的通讯作者。

这项研究表明,向医生发送一张“自拍照”可能是一种廉价而简单的检测心脏病的方法。研究人员利用深度学习计算机算法对人脸照片进行分析,从而判定检测者是否患有冠状动脉疾病(CAD),预测和量化患者的心脏病风险。

听起来有点是“天方夜谭”,但人工智能的进步使得扁鹊神医的“观人诊病”不再是一个传说。

面部特征与心脑血管疾病

心脑血管疾病,是一种严重威胁人类(尤其是中老年人)健康的常见疾病,具有高患病率、高致残率和高死亡率的特点。更可怕的是,全世界每年死于心脑血管疾病的人数超过 1500 万人,在人类死亡原因中高居首位!

心脑血管疾病并非是突发性疾病,而是在长期的、各种因素的影响下而造成的慢性疾病。这漫长的过程中,患者的面貌特征也受到了潜移默化的影响,从而表现出与常人不同的特征。

很早之前,人们就发现,某些面部特征与患心脏病的风险增加有关,包括头发稀疏或变白、皱纹、耳垂折痕、黄斑变性(通常在眼睑周围的小的黄色胆固醇沉积)以及角膜病变(脂肪和胆固醇沉积,在角膜外缘呈模糊的白色、灰色或蓝色不透明环)等等。

但不得不说的是,普通医生若想通过这些症状去判断一位患者是否患有心脏疾病,是一件十分困难的事,也许只有那些具有数十年医龄的老先生才能使用它们来预测和量化患者的心脏病风险。

显而易见,这需要长期的实践和大量的相关经验,那么,又有什么东西可以在短时间内积累大量的诊断经验呢?

答案当然是人工智能

心脏病人脸预测

近年来,人工智能获得了空前的发展,“Siri”、“小度”和“小爱同学”等人工智能语音助手已经步入大众的视野,协助我们更好地获得各类信息。不仅如此,人工智能还在其他领域发挥着举足轻重的作用。

在这项研究中,郑哲教授和季向阳教授领导的研究团队从中国8家医院招募了 5796 名患者参加了这项研究。这些病人正在接受检查他们血管的成像程序,如冠状动脉造影或冠状动脉计算机断层造影(CCTA)。

患者被随机分为两组——训练组(5216 例,占 90%)和验证组(580 例,占 10%)。训练有素的研究护士会用数码相机拍下患者的 4 张面部照片:一张正面照片,两张侧面照片和一张头顶照片。

与此同时,研究人员对这些患者进行采访登记,以收集他们的社会经济状况、生活方式和病史方面的数据。此外,放射科医生还会检测这些患者的血管造影,并根据血管缩小 50% 或以上的数量和位置指标评估了心脏病的严重程度。

值得一提的是,这些信息都将用来创建、训练和验证人工智能深度学习算法。

研究流程的模式图
随后,研究人员在中国 9 家医院的 1013 名患者身上测试了该算法,这些患者是在 2019 年 4 月至 2019 年 7 月期间登记的,多数为汉族。

他们发现,该深度学习算法优于现有的、预测心脏病风险的方法(Diamond-Forrester 模型和 CAD 联盟临床评分)。在验证组患者中,该算法在 80% 的病例中正确检测出心脏病(真实阳性率或“敏感性”),在 61% 的病例中没有正确检测出心脏病(真实阴性率或“特异性”)。与之相对,试验组的敏感性为 80%,而特异性为 54%。

对此,季向阳教授说道:“该算法的性能一般,额外的临床信息并没有提高它的性能,这意味着它可以很容易地仅根据面部照片来预测潜在的心脏病。”

他还表示,与其他面部区域相比,脸颊、前额和鼻子为算法提供了更多信息。然而,研究仍需要进一步提高算法的特异性,因为高达 46% 的假阳性率可能会给患者带来焦虑和不便,而且可能会使医院超负荷,因为会有更多的人进行不必要的检查。

与其他面部区域相比,脸颊、前额和鼻子为算法提供了更多信息
除此之外,该研究还需要在其他种族群体中进行测试外,并且由于测试组为单中心且与那些为开发算法提供患者的中心不同,这可能进一步限制了该算法在其他人群中的通用性。

一项开创性成就

虽然算法有一定局限性,并需要在更大的、来自不同种族背景的人群中进行进一步的开发和测试。但郑哲教授表示,这项研究成果还是十分具有开创性意义的,该深度学习算法有望成为在一般人群中筛查心脏病高危患者的高效检测工具。

他说道:“据我们所知,这是第一项证明人工智能可以通过人脸分析以检测心脏病的研究工作。同时,这也是开发基于深度学习的医学人工智能工具的又一大步。这种工具可以用于评估心脏病的风险,从而指导进一步的诊断测试或临床访问。”

“我们的最终目标是为高风险社区开发一种自我报告应用程序,以便患者在去诊所之前先大致评估自己的心脏病风险。这可能是一种廉价、简单和有效的识别需要进一步调查的病人的方法。当然,该算法还需要在其他人群和种族中进一步验证和改进。”

利用人脸识别进行CAD筛查的原理图
《欧洲心脏病学会》的一篇相关评论中,英国牛津大学心血管医学教授 Charalambos Antoniades 及其学生 Christos Kotanidis 博士写道:“总体而言,该研究突出了人工智能算法在医学诊断的新潜力。

“这项研究的的意义在于他们的深度学习算法只需要一个简单的面部图像作为唯一的数据输入,就能使其具有大规模应用的能力。”

他们还表示,使用自拍作为筛查方法,从而简单而有效的对普通人群进行筛查,检测者再根据结果进行更全面的临床评估。选择过程将允许分层的人群进入医疗系统,接受 CCTA 的一线诊断测试。这种方法将有利于落后、贫困地区的心血管疾病筛查

值得一提的是,Antoniades 和 Kotanidis 还强调了这项研究的局限性——这些问题包括该测试的低特异性,该测试需要在更大的人群中得到改进和验证,以及它引发了有关“以貌识人”的伦理问题。

不得不说,隐私问题是很重要的,如果敏感的健康记录数据可以很容易地从面部照片中提取出来,那么这将对个人数据保护造成重大威胁。实际上,这种担忧已经在基因数据的滥用上有所表现。

因此,人工智能在医学上的应用应当慎重审视。

对此,郑哲教授也表示同意这一观点:“开发和应用这些新技术的伦理问题是非常重要的。我们认为,未来对临床工具的研究应该关注隐私、保险和其他社会影响,以确保该工具仅用于医疗目的。”

总而言之,这项研究是开创性的,且极具意义的。基于人脸识别开发的心脏病风险预测算法预示着未来医学领域将出现更多类似的工具,到那时候,或许我们就可以做到足不出户便能对自己的身体状况进行一个大致的检查判断。

参考文献
[1] Shen Lin, Zhigang Li, Bowen Fu, Sipeng Chen, Xi Li, Yang Wang, Xiaoyi Wang, Bin Lv, Bo Xu, Xiantao Song, Yao-Jun Zhang, Xiang Cheng, Weijian Huang, Jun Pu, Qi Zhang, Yunlong Xia, Bai Du, Xiangyang Ji, Zhe Zheng, Feasibility of using deep learning to detect coronary artery disease based on facial photo, European Heart Journal, , ehaa640,https://doi.org/10.1093/eurheartj/ehaa640
[2] Christos P Kotanidis, Charalambos Antoniades, Selfies in cardiovascular medicine: welcome to a new era of medical diagnostics, European Heart Journal, , ehaa608,https://doi.org/10.1093/eurheartj/ehaa608

AMiner学术头条
AMiner学术头条

AMiner平台由清华大学计算机系研发,拥有我国完全自主知识产权。系统2006年上线,吸引了全球220个国家/地区800多万独立IP访问,数据下载量230万次,年度访问量1000万,成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

https://www.aminer.cn/
专栏二维码
产业人脸识别心脏病
1
相关数据
清华大学机构

清华大学(Tsinghua University),简称“清华”,由中华人民共和国教育部直属,中央直管副部级建制,位列“211工程”、“985工程”、“世界一流大学和一流学科”,入选“基础学科拔尖学生培养试验计划”、“高等学校创新能力提升计划”、“高等学校学科创新引智计划”,为九校联盟、中国大学校长联谊会、东亚研究型大学协会、亚洲大学联盟、环太平洋大学联盟、清华—剑桥—MIT低碳大学联盟成员,被誉为“红色工程师的摇篮”。 清华大学的前身清华学堂始建于1911年,因水木清华而得名,是清政府设立的留美预备学校,其建校的资金源于1908年美国退还的部分庚子赔款。1912年更名为清华学校。1928年更名为国立清华大学。1937年抗日战争全面爆发后南迁长沙,与北京大学、南开大学组建国立长沙临时大学,1938年迁至昆明改名为国立西南联合大学。1946年迁回清华园。1949年中华人民共和国成立,清华大学进入了新的发展阶段。1952年全国高等学校院系调整后成为多科性工业大学。1978年以来逐步恢复和发展为综合性的研究型大学。

相关技术
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

假阳性技术

假阳性是指模型因为种种原因把不应该分类成特定情况的人/物错误地分类到了该分类的情况。

人脸识别技术

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域,它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

量化技术

深度学习中的量化是指,用低位宽数字的神经网络近似使用了浮点数的神经网络的过程。

46% 的假阳性率,你TM在逗我?