當前，心源性猝死（SCD）仍然是全球死亡的主要原因，在歐洲和北美的普通人群中，每100,000人中的發病率為50-100人，占所有死亡人數的15-20% 。而冠狀動脈疾病患者發生心律失常性心源性猝死（SCDA）的風險最高。
因此，迫切需要開發個性化、準確和具有成本效益的心律失常風險評估工具，以減輕這一巨大的公共衛生和經濟負擔。
近日，約翰霍普金斯大學研究人員領導的團隊，開發了一種基於人工智能的新方法，可以比醫生更準確地預測患者是否以及何時可能死於心臟驟停。該技術以患者心臟影像學資料以及其它背景為基礎，將徹底改變臨床決策並提高突發性和致命性心律失常的存活率。
相關研究發表在近日的《自然心血管研究》上。
論文通訊作者、生物醫學工程教授 Natalia Trayanova 表示， “由心律失常引起的心源性猝死，佔全球所有死亡人數的20%，但我們對它發生的原因或如何判斷誰處於危險中知之甚少。有些患者心源性猝死的風險可能較低，可能不需要使用自動體外除顫器（AED），而有些高風險患者如果沒有及時得到他們需要的治療，可能會在他們生命的黃金時期死亡。我們的算法可以做的是，確定誰有心臟死亡的風險，以及何時發生，進而讓醫生準確地決定需要做什麼。”
據了解，這也是第一個使用神經網絡為每位心臟病患者建立個性化生存評估的團隊。這些風險測量提供了10年內心源性猝死的高準確度，以及最有可能發生的時間。
研究人員為這種基於深度學習技術的工具起了個名字，叫做心律失常風險生存研究（Survival Study of Cardiac Arrhythmia Risk，SSCAR）。
圖 | SSCAR 示意圖（來源：Nature）
在當前的臨床心臟圖像分析中，醫生僅提取簡單的疤痕特徵，如體積和質量，並未充分利用相關圖像中的關鍵數據。
“這些圖像帶有醫生無法訪問的關鍵信息，”第一作者、前約翰霍普金斯大學博士生 Dan Popescu 說， “這種瘢痕可以以不同的方式分佈，它說明了患者的生存機會。只不過其中的信息被隱藏了。”
為此，研究團隊首先使用對比度增強的心臟磁共振圖像，來可視化約翰霍普金斯醫院 156 名心臟磁心肌病真實患者的瘢痕分佈，以訓練一種算法來檢測肉眼不可見的模式和關係。
圖 | SSCAR 在紅色圈出的心臟中檢測到高風險（來源：約翰霍普金斯大學）
研究小組還使用十年的標準臨床患者數據訓練了第二個神經網絡，患者數據包括年齡、體重、種族和處方葯使用等 22 個因素。
然後使用深度神經網絡直接從 CMR 圖像和臨床因素中學習這些參數，從而對生存數據進行最佳建模，產生高度個性化的生存概率預測，並得到患者的特異性生存曲線。
之後，研究人員在來自美國 60 個醫療中心的獨立患者隊列的測試中得到驗證，這些患者具有不同的心臟病史和不同的成像數據，結果表明，算法的預測比醫生準確得多，而且在結果表明該系統可以被廣泛應用在任何地方。
值得注意的是，SSCAR 中使用的定製神經網絡的整體設計中，採取了多個步驟來確保結果特徵的相關性和可解釋性。人工智能算法的可解釋性對其廣泛應用至關重要，圍繞它的擔憂在醫療保健領域尤為普遍。
心血管診斷和治療創新聯盟聯合主任 Trayanova 說：“這有可能顯著影響有關心律失常風險的臨床決策，並且代表着將患者軌跡預測帶入人工智能時代的重要一步。它體現了將人工智能、工程學和醫學融合為醫療保健未來的趨勢。”
該團隊當前正在努力構建算法來檢測其他類型的心臟病。根據 Trayanova 的說法，還可以為依賴視覺診斷的其他醫學領域開發深度學習概念。