基於胸部電腦斷層掃描影像，利用連續和離散特徵聯合表示進行心血管疾病風險預測

核心概念

本研究提出了一種稱為 DeepCVD 的新型資訊融合方法，該方法整合了從胸部電腦斷層掃描影像中提取的連續深度特徵和離散量化生物標記，以提高心血管疾病風險預測的準確性，並提供可解釋的模型決策依據，以協助醫師進行臨床決策。

摘要

基於胸部電腦斷層掃描影像，利用連續和離散特徵聯合表示進行心血管疾病風險預測

本研究回顧性地探討了一種稱為 DeepCVD 的新型資訊融合方法，用於準確預測心血管疾病風險，並為醫師提供可靠的模型決策依據。該方法整合了從胸部電腦斷層掃描影像中提取的連續深度特徵和離散量化生物標記。研究使用了兩個資料集：美國國家肺部篩檢試驗 (LDCT-NLST) 資料集和國家醫療大數據應用技術工程研究中心 (NERC-MBD) 資料集，共包含來自 16,718 名受試者的 50,620 張電腦斷層掃描影像。DeepCVD 在內部 LDCT-NLST 測試集和外部 NERC-MBD 測試集中均取得了優異的預測效能，AUC 分別為 0.875 和 0.843。此外，DeepCVD 還可以提供每個生物標記對模型決策的貢獻度分析，這對於協助醫師進行決策至關重要。

DeepCVD 包含兩個主要階段：
第一階段：特徵提取

連續深度特徵： 使用預先訓練好的心血管疾病風險預測模型，從胸部電腦斷層掃描影像中提取高維度特徵嵌入。
離散量化生物標記： 利用四個預先訓練好的身體部位分割模型，自動分割胸部電腦斷層掃描影像，並根據分割結果計算出 18 個量化生物標記，例如冠狀動脈鈣化評分、心胸比例等。
第二階段：特徵聯合表示學習

實例級特徵閘控機制： 將連續深度特徵和離散量化生物標記對齊到相同的維度空間，並使用閘控殘差網路 (GRN) 對每個實例級特徵嵌入進行非線性處理。
軟性實例級特徵交互機制： 使用多頭注意力機制對實例級特徵嵌入進行交互和融合，並計算每個實例特徵的注意力權重，以實現聯合表示。

從以下內容提煉的關鍵洞見

A Joint Representation Using Continuous and Discrete Features for Cardiovascular Diseases Risk Prediction on Chest CT Scans

by Minfeng Xu, ... 於 arxiv.org 10-25-2024

https://arxiv.org/pdf/2410.18610.pdf

深入探究

如何將 DeepCVD 擴展到其他醫學影像模態，例如磁共振成像 (MRI) 和正子斷層掃描 (PET)？

將 DeepCVD 擴展到其他醫學影像模態，例如 MRI 和 PET，需要進行以下調整：

數據預處理: 不同影像模態的數據具有不同的特性，例如分辨率、對比度和噪聲水平。因此，需要針對 MRI 和 PET 數據開發相應的預處理方法，例如標準化、降噪和增強。
特徵提取: DeepCVD 的核心是提取連續深度特徵和離散量化生物標記。對於 MRI 和 PET 數據，需要開發新的量化生物標記，並訓練新的深度學習模型來提取與心血管疾病風險相關的深度特徵。

MRI: 可以利用 MRI 數據量化心臟結構和功能的指標，例如心室容積、射血分數和心肌灌注。此外，還可以利用 MRI 數據量化血管壁的厚度、斑塊負荷和血流速度等指標。
PET: 可以利用 PET 數據量化心肌代謝和炎症等指標，例如葡萄糖代謝率和炎症細胞活性。這些指標可以提供關於心血管疾病風險的額外信息。

特徵融合: DeepCVD 使用實例級特徵門控機制和軟實例級特徵交互機制來融合連續深度特徵和離散量化生物標記。這些機制需要根據 MRI 和 PET 數據的特點進行調整，以確保有效地融合不同來源的特徵。
模型訓練和驗證: 需要使用大量的 MRI 和 PET 數據來訓練和驗證擴展後的 DeepCVD 模型。此外，還需要比較擴展後的模型與現有心血管疾病風險預測模型的性能。

總之，將 DeepCVD 擴展到 MRI 和 PET 數據需要對數據預處理、特徵提取、特徵融合以及模型訓練和驗證等方面進行調整。通過這些調整，可以開發出更全面、更準確的心血管疾病風險預測模型。

DeepCVD 模型的可解釋性是否足以支持其在臨床實踐中的應用？

DeepCVD 模型在一定程度上提供了可解釋性，但仍不足以完全支持其在臨床實踐中的應用。
DeepCVD 模型可解釋性的優點:

量化生物標記的貢獻度分析: DeepCVD 可以分析每個量化生物標記對模型決策的貢獻度，幫助醫生了解哪些生物標記對特定患者的風險預測更重要。
深度特徵的可視化: 可以通過特征可視化技術，例如 Grad-CAM，將深度特徵與圖像中的特定區域聯繫起來，幫助醫生理解模型的決策依據。
DeepCVD 模型可解釋性的不足:

缺乏對深度特徵的明確解釋: 儘管可以通過可視化技術觀察深度特徵與圖像區域的關聯，但仍然難以明確解釋深度特徵的具體含義。
模型決策過程的整體解釋性不足: DeepCVD 模型的決策過程涉及多個步驟和複雜的交互，難以完全解釋模型如何整合不同特徵並做出最終預測。
缺乏與臨床指南的直接聯繫: DeepCVD 模型的預測結果需要與現有的臨床指南和實踐相結合，才能指導臨床決策。
為了提高 DeepCVD 模型的可解釋性，可以考慮以下方向:

開發更具解釋性的深度學習模型: 例如，可以使用基於決策樹或規則的模型，這些模型的決策過程更容易理解。
結合先驗知識: 可以將醫學專家的先驗知識融入模型設計中，例如設計更具生物學意義的量化生物標記和深度特徵。
開發更有效的可視化和解釋工具: 可以開發更直觀、更易於理解的可視化工具，幫助醫生理解模型的決策過程。
總之，DeepCVD 模型的可解釋性還有待提高，需要進一步的研究和開發才能使其更好地支持臨床實踐。

如何利用 DeepCVD 模型的預測結果，開發更有效的心血管疾病預防和治療策略？

DeepCVD 模型的預測結果可以從以下幾個方面助力心血管疾病的預防和治療策略：
1. 個性化風險評估和疾病預防:

識別高危人群: DeepCVD 模型可以識別出傳統風險評估模型可能遺漏的潛在高危人群，例如亞臨床動脈粥樣硬化患者。
個性化預防措施: 根據 DeepCVD 模型的預測結果，醫生可以為患者制定個性化的預防措施，例如生活方式干預、藥物治療等。
早期干預: 通過早期識別高危人群並進行干預，可以延緩甚至阻止心血管疾病的發生發展。
2. 優化治療方案和疾病管理:

輔助診斷: DeepCVD 模型的預測結果可以為醫生提供額外的參考信息，輔助診斷心血管疾病。
預測疾病進程: DeepCVD 模型可以預測患者未來發生心血管事件的風險，幫助醫生制定更積極的治療方案。
監測治療效果: DeepCVD 模型可以監測患者對治療的反應，幫助醫生及時調整治療方案。
3. 推動心血管疾病研究:

發現新的生物標記: DeepCVD 模型的深度特徵可以幫助研究人員發現新的與心血管疾病相關的生物標記。
開發新的治療靶點: 通過研究 DeepCVD 模型的預測機制，可以發現新的治療靶點，開發更有效的治療方法。
具體實施方案:

將 DeepCVD 模型整合到電子病歷系統中: 方便醫生在臨床實踐中使用模型進行風險評估和決策支持。
開發基於 DeepCVD 模型的移動醫療應用程序: 讓患者可以隨時隨地了解自己的心血管疾病風險，並獲得個性化的健康管理建議。
開展基於 DeepCVD 模型的大規模人群篩查: 及早發現高危人群，並進行早期干預。
需要注意的是:

DeepCVD 模型的預測結果僅供參考，不能替代醫生的專業判斷。
在臨床實踐中應用 DeepCVD 模型之前，需要進行嚴格的臨床驗證。
總之，DeepCVD 模型的預測結果具有重要的臨床應用價值，可以為心血管疾病的預防、診斷和治療提供新的思路和方法。