医疗人工智能创新应用案例2：达摩院医疗AI实验室平扫CT慢病筛查产品CVD

基于平扫CT的心血管风险预测介绍阿里巴巴达摩院医疗AI实验室-慢病综合治疗方案研发基于平扫CT的心血管疾病风险预测What

we

do（背景）一系列的工作证明平扫CT相比传统的CVD

risk

factors，在CVD风险评估上有更好的性能。平扫CT在临床场景被广泛使用，我们一扫多筛产品的目标是充分的挖掘出CT的价值。心血管疾病是中国城乡居民的主要死因但90%的心血管疾病是可以预防的。基于平扫CT的心血管疾病风险预测Why

we

do

it（解决什么问题）在筛查场景下通过胸部平扫CT影像，提升心血管不良事件的预测性能

-基于生化生理指标的传统风险评估模型，精度相对比较低（尤其是敏感性），筛查

作用有限且评估的CVD疾病种类也有限

-基于CT影像的深度学习CVD风险预测模型在精度上相较于传统模型有了明显升，

但在精度、泛化性能等方面还有大的提升空间向诊断医生给出量化的、自适应的决策依据

-在临床场景下，哪怕是疾病风险评估，AI模型需要给医生提供决策的依据

-在CVD这种包含多种疾病类型的场景下，AI模型最好能给医生提供具体某种疾病的指向性

-

虽然像random

forest等模型也可以向医生给出特征的Importance

score，但它的score在模型训练完成后是固定的，所有的CVD疾病都有相同的决策score，显然不符合临床诊断常识心血管疾病类型举例原发性高血压高血压性心脏病心绞痛急性心肌梗塞其他急性缺血性心脏病慢性缺血性心脏病脑梗塞慢性心衰冠状动脉综合征主动脉综合征主动脉瘤其他动脉瘤其他脑血管疾病其他周围血管疾病中风（未指定为出血或梗塞）脑前动脉闭塞和狭窄急性心衰高血压性肾脏疾病基于平扫CT的心血管事件机会性发现How

we

do

it（我们怎么做）模型构建使用的数据信息介绍：Stage

1：Segmentation

Models（用于计算量化的Bio

Features）训练集 -内部487例1mm层厚CT分割模型-主动脉&头臂干&左颈总动脉模型、心外模&心腔室模型、主动脉钙化&冠脉钙化模型Stage

1：Classification

Model（用于提取Deep

Features）训练集 -

NLST

7228

Subjects验证集-

NLST

1033

Subjects

测试集 -

NLST

2066

SubjectsStage

2：Joint

Representation

Model

训练集 -

NLST

7228

Subjects验证集-

NLST

1033

Subjects

测试集 -

NLST

2584

Subjects基于平扫CT的心血管疾病风险预测How

we

do

it（我们怎么做）Overview：在CVD机会性发现的场景下，需要尽可能的提高算法的特异性，以便在过度医疗与检出率之间取得较好的平衡，因此设计了一个引入先验知识的two

stages的连续特征和离散特征联合表征模型。-

Stage

1：利用深度模型提取连续的高阶（未被or难以定义）抽象表征。利用多个分割模型计算被临床定义过or我们觉得可以定义的量化先验biomarkers-

Stage

2：利用Instance-wise层面的Feature

Embedding和Feature

Interaction实现离散和连续特征的联合表征-

Output：CVD阳性或者阴性；每个instance-wise

feature的决策贡献基于平扫CT的心血管疾病风险预测How

we

do

it（我们怎么做）Stage

1：18种离散特征的详细计算过程–主要参考各种CVD疾病影像学诊断的先验知识进行的设计已量化的CT

Biomarkers胸主动脉钙化体积胸主动脉钙化积分冠状动脉钙化体积冠状动脉钙化积分心外膜脂肪体积心外膜脂肪硬度均值心外膜脂肪硬度方差心胸比主动脉最大管径主动脉最大管径方差主动脉弯曲指数心脏最长轴长度心脏最短轴长度心脏四腔室-心脏体积比左肺低密度影体积比左肺高密度影体积比右肺低密度影体积比右肺高密度影体积比基于平扫CT的心血管疾病风险预测How

we

do

it（我们怎么做）Stage

2：核心思想是在Instance-wise层面进行特征的交互与融合，以保证Feature间的相对独立性，为输出每个特征的决策贡献提供可能基于平扫CT的心血管疾病风险预测Validation

–算法性能验证结果在NLST-LDCT的测试集上与现有方法的对比结果（测试人群2065例）在301正常剂量CT上的测试结果（测试人群6093例）基于平扫CT的心血管疾病风险预测Validation

–算法可解释性结果验证胸主动脉瘤CASE（TAA）表征主动脉Shape特征的指标（AMD,AMDSTD,ATI）决策比重占到了27.5%，深度学习特征的决策比重只有7.1%肺动脉高压CASE（PAH）表征心脏Shape特征的指标（CHR,CLD,CSD）决策比重占到了25.2%，肺部纹理（LLR,RLR,LHR,RHR）决策比重占到了16.2%，深度学习特征决策比重是30.8%急性心梗CASE（AMI）表征心脏Shape特征的指标（CHR,CLD,CSD）决策比重占到了16.4%，心脏结构指标（PFATV,PFATM,PFATSTD）决策比重是16.6%，深度学习特征的比重是42.7%无心血管疾病CASE（Healthy）决策比重基本上完全是由深度学习特征贡献的80.5%在CT上有直接的影像学证据且该证据包含在我们设计的biomarker中在CT上