图片来源@视觉中国
当前，心源性猝死（SCD）仍然是全球死亡的主要原因，在欧洲和北美的普通人群中，每 100,000 人中的发病率为 50-100 人，占所有死亡人数的 15-20% 。而冠状动脉疾病患者发生心律失常性心源性猝死（SCDA）的风险最高。
因此，迫切需要开发个性化、准确和具有成本效益的心律失常风险评估工具，以减轻这一巨大的公共卫生和经济负担。
近日，约翰霍普金斯大学研究人员领导的团队，开发了一种基于人工智能的新方法，可以比医生更准确地预测患者是否以及何时可能死于心脏骤停。该技术以患者心脏影像学资料以及其它背景为基础，将彻底改变临床决策并提高突发性和致命性心律失常的存活率。
相关研究发表在近日的《自然心血管研究》上。
论文通讯作者、生物医学工程教授 Natalia Trayanova 表示， “由心律失常引起的心源性猝死，占全球所有死亡人数的 20%，但我们对它发生的原因或如何判断谁处于危险中知之甚少。有些患者心源性猝死的风险可能较低，可能不需要使用自动体外除颤器（AED），而有些高风险患者如果没有及时得到他们需要的治疗，可能会在他们生命的黄金时期死亡。我们的算法可以做的是，确定谁有心脏死亡的风险，以及何时发生，进而让医生准确地决定需要做什么。”
据了解，这也是第一个使用神经网络为每位心脏病患者建立个性化生存评估的团队。这些风险测量提供了 10 年内心源性猝死的高准确度，以及最有可能发生的时间。
研究人员为这种基于深度学习技术的工具起了个名字，叫做心律失常风险生存研究（Survival Study of Cardiac Arrhythmia Risk，SSCAR）。
图 | SSCAR 示意图（来源：Nature）
在当前的临床心脏图像分析中，医生仅提取简单的疤痕特征，如体积和质量，并未充分利用相关图像中的关键数据。
“这些图像带有医生无法访问的关键信息，”第一作者、前约翰霍普金斯大学博士生 Dan Popescu 说， “这种瘢痕可以以不同的方式分布，它说明了患者的生存机会。只不过其中的信息被隐藏了。”
为此，研究团队首先使用对比度增强的心脏磁共振图像，来可视化约翰霍普金斯医院 156 名心脏磁心肌病真实患者的瘢痕分布，以训练一种算法来检测肉眼不可见的模式和关系。
图 | SSCAR 在红色圈出的心脏中检测到高风险（来源：约翰霍普金斯大学）
研究小组还使用十年的标准临床患者数据训练了第二个神经网络，患者数据包括年龄、体重、种族和处方药使用等 22 个因素。
然后使用深度神经网络直接从 CMR 图像和临床因素中学习这些参数，从而对生存数据进行最佳建模，产生高度个性化的生存概率预测，并得到患者的特异性生存曲线。
之后，研究人员在来自美国 60 个医疗中心的独立患者队列的测试中得到验证，这些患者具有不同的心脏病史和不同的成像数据，结果表明，算法的预测比医生准确得多，而且在结果表明该系统可以被广泛应用在任何地方。
值得注意的是，SSCAR 中使用的定制神经网络的整体设计中，采取了多个步骤来确保结果特征的相关性和可解释性。人工智能算法的可解释性对其广泛应用至关重要，围绕它的担忧在医疗保健领域尤为普遍。
心血管诊断和治疗创新联盟联合主任 Trayanova 说：“这有可能显著影响有关心律失常风险的临床决策，并且代表着将患者轨迹预测带入人工智能时代的重要一步。它体现了将人工智能、工程学和医学融合为医疗保健未来的趋势。”
该团队当前正在努力构建算法来检测其他类型的心脏玻根据 Trayanova 的说法，还可以为依赖视觉诊断的其他医学领域开发深度学习概念。
参考资料：
