Бельгийские и катарские специалисты провели исследование, чтобы выяснить, какие кардиометаболические факторы риска может определить глубокая нейронная сеть по изображениям глазного дна. Оказалось, что искусственный интеллект способен с высокой точностью предсказать возраст и пол пациента и с меньшей — параметры систолического, диастолического давления, уровень гемоглобина, тестостерона и относительную жировую массу. Работа была опубликована в Scientific Reports.
Сердечно-сосудистые заболевания (ССЗ) остаются основной причиной смерти во всем мире. Бремя ССЗ можно уменьшить путем коррекции образа жизни и лекарственной терапии на этапах, предшествующих развитию заболевания. Поэтому разработка инструментов, позволяющих с высокой точностью определять кардиометаболические риски, имеет большое значение для пациентов.
Фрамингемская шкала стала одним из первых инструментов, оценивающих индивидуальный риск ССЗ с использованием простых и доступных для определения факторов, таких как возраст, пол, статус курения, уровень холестерина и артериального давления. Однако эта шкала, как и другие, подобные ей (например, SCORE, QRISK), имеют более низкую точность прогноза у лиц с этнической принадлежностью, отличной от этноса пациентов, участвовавших в разработке шкалы. Кроме того, из-за ограниченного числа вводных параметров все эти инструменты в лучшем случае оценивают 30% от реального риска.
В настоящее время большую популярность в определении факторов риска различных заболеваний приобретают глубокие нейронные сети. Ранее Weng et al. уже использовали машинное обучение для прогнозирования вероятности развития ССЗ по данным ЭКГ и сывороточным биомаркерам. Дополнительную информацию для стратификации рисков можно получить, исследуя сосуды сетчатки. Так, в недавнем исследовании (Poplin et al.) сообщалось, что, используя нейросеть, по изображениям глазного дна можно определять возраст, пол и артериальное давление человека. А Vaghefi et al. обучили искусственный интеллект аналогичным образом предсказывать статус курения. Два этих исследования подтвердили, что нейросети могут помочь в стратификации рисков ССЗ.
Команда бельгийских и катарских специалистов провела новое исследование, в котором определила, можно ли по снимкам сетчатки с помощью нейросети предсказать более широкий набор кардиометаболических факторов риска — таких, как возраст, пол, артериальное давление, статус курения, гликемический статус, уровни общего холестерина, половых гормонов и параметры биоимпеданса.
Для обучения нейросети использовались изображения сетчатки 3000 людей из катарского Биобанка. Наиболее точные прогнозы были получены в отношении возраста (средняя абсолютная ошибка (МАЕ) 2,78 лет) и пола (площадь под кривой 0,97). Тогда как приемлемая точность была достигнута в отношении систолического артериального давления (MAE: 8,96 мм рт.ст.), диастолического артериального давления (MAE: 6,84 мм рт.ст.), уровня гликированного гемоглобина HbA1c (MAE: 0,61%), относительной жировой массы (MAE: 5,68 единиц) и уровня тестостерона (MAE: 3,76 нмоль/л).
Возраст и пол были опосредуемо прогнозируемыми факторами. Это означает, что искусственный интеллект в некоторой степени косвенно предсказывал возраст и/или пол. Так, например, авторы обнаружили, что алгоритм определял пол при обучении нахождению связей между информацией на сетчатке и уровнем тестостерона. Влияние на оценку возраста и пола также прослеживалось при определении артериального давления, гемоглобина и относительной массы жира.
Специалисты заключили, что будущие исследования по стратификации кардиометаболических рисков следует сосредоточить на анализе изображений глазного дна.
Источник: Gerrits N, Elen B, Craenendonck TV, et al. Age and sex affect deep learning prediction of cardiometabolic risk factors from retinal images. Sci Rep. 2020;10(1):9432. Published 2020 Jun 10. doi:10.1038/s41598-020-65794-4.