人工智能
当下人工智能(Artificial Intelligence;AI)带来的变革似乎正在席卷各个行业和领域,相比谷歌的AlphaGo围棋机器人和无人驾驶汽车这些万人瞩目的领域,作为供职阜外医院的小编,我们更加关心AI在心血管精准医学中的应用。下面小编就陪你聊聊AI的基本概念及其在心血管精准医学中的应用。
监督学习目前已成功应用于心血管疾病的诊断、预测和预后模型构建。涉及到的算法主要包括人工神经网络(ANN)、卷积神经网络(CNN)、支持向量机(SVM)、决策树(Decision Tree)、和随机森林(Random Forest)。以下就各个常用算法在心血管疾病领域的应用进行举例:
人工神经网络(ANN)
神经网络是模拟人类大脑神经元活动的一类仿生学算法。最简单的神经网络算法即ANN,它仅仅包含单层的神经元,即便如此,与传统的线性或逻辑回归统计学算法相比,在处理非线性问题上具有更高的预测准确度。例如Wang等(2017)利用ANN训练心血管疾病风险预测模型,AUC达到了0.745(AUC是衡量机器学习模型表现的参数,范围0~1,该值越大,模型的预测表现越好),较传统指南模型性能提高了3.6%。
卷积神经网络(CNN)
以多层神经元为特征的一类神经网络算法称为深度神经网络。深度学习(Deep Learning)便是利用深度神经网络进行机器学习的过程。其中最著名的深度学习算法当属卷积神经网络,该算法在图像识别领域的表现尤为出色,因此在心血管疾病影像,比如心电图、超声心动图、血管造影和心脏核磁影像识别上具有很大的应用潜力!例如Wang和Kong(2017)利用卷积神经网络构建了通过心脏核磁影像来预测收缩末期和舒张末期容积的模型。再例如Abdolmanafi等(2016)利用卷积神经网络实现了自动分析光学相干断层扫描影像(Optical Coherence Tomography),从而可以对冠状动脉层自动分类,准确度可达96%。
支持向量机(SVM)
支持向量机算法具有不容易过拟合(Over-fitting)和节省内存的优点,在电子健康病例(EHR)文本识别以及心血管疾病诊断模型构建等领域已有应用。例如Berikol等(2016)利用SVM训练了预测急性冠状动脉综合征(Acute coronary syndrome)的模型,获得了99.13%的分类准确度。
决策树(Decision Tree)
决策树算法通过一系列的YES/NO问题将数据进行分类,因而和神经网络的“黑匣子”相比,决策树算法训练的模型更加容易理解。在问题相对简单的情况下,决策树也被应用于心血管疾病的临床决策或风险预测。例如Wang等(2012)训练出了安装左心室辅助设备(Left ventricular assist device)后预测右心室衰竭的预后模型。
随机森林(Random Forest)
随机森林算法是决策树的扩展,由大量独立的决策树组合而成。Motwani等(2017)利用随机森林算法训练了可以预测疑似冠心病患者(做过冠脉血管造影CCTA的患者)5年内死亡的模型,和已有的最佳临床指南相比AUC更高(0.79 vs 0.64)。
参考文献:
1. Abdolmanafi, A., L. Duong, N. Dahdah and F. Cheriet, 2017 Deep feature learning for automatic tissue classification of coronary artery using optical coherence tomography. Biomed Opt Express 8: 1203-1220.
2. Berikol, G. B., O. Yildiz and I. T. Ozcan, 2016 Diagnosis of Acute Coronary Syndrome with a Support Vector Machine. J Med Syst 40: 84.
3. Krittanawong, C., H. Zhang, Z. Wang, M. Aydar and T. Kitai, 2017 Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol 69: 2657-2664.
4. Motwani, M., D. Dey, D. S. Berman, G. Germano, S. Achenbach et al., 2017 Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. Eur Heart J 38: 500-507.
5. Weng, S. F., J. Reps, J. Kai, J. M. Garibaldi and N. Qureshi, 2017 Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One 12: e0174944.
6. Wang, K, Kong, Y. 2017 Diagnosis of heart diseasevia CNNs. Stanford University. Accessed March 26.
7. Wang, Y., M. A. Simon, P. Bonde, B. U. Harris, J. J. Teuteberg et al., 2012 Decision tree for adjuvant right ventricular support in patients receiving a left ventricular assist device. J Heart Lung Transplant 31: 140-149.