扫脸能预测心脏病？面部热成像结合人工智能 预测冠状动脉疾病 优于传统评估方法

清华大学发表在开放获取期刊《BMJ Health & Care Informatics》上的一项研究发现，面部热成像和人工智能(AI)的结合可以预测冠状动脉疾病的存在。

　　

扫描面部能打开手机，能刷卡，能开门，还能预测心脏疾病？发表在开放获取期刊《BMJ Health & Care Informatics》（《英国医学杂志健康与护理信息学》）上的一项研究发现，面部热成像和人工智能(AI)的结合可以准确预测冠状动脉疾病的存在。来自清华大学的研究人员建议，这种非侵入性实时方法比传统方法更有效，可以用于临床实践，以提高诊断和工作流程的准确性，有待于对更多和更多种族不同的患者进行测试。

冠状动脉疾病(CAD)风险评估方法依赖于对危险因素和表现的预测概率(PTP)，并不总是非常准确或广泛适用。经常做心电图读数、血管造影和血液检查，通常既耗时又有侵入性。

红外热成像仪(IRT)通过探测物体表明发出的红外辐射来捕捉物体表面的温度分布和变化，这种非接触式技术是非侵入性的。它已经成为一种很有前途的疾病评估工具，因为它可以从皮肤温度模式中识别出血液循环异常和炎症的区域，已显示出在评估动脉粥样硬化相关疾病方面的潜力。机器学习技术(AI)的出现，具有提取、处理和整合复杂信息的能力，可能会提高热成像诊断的准确性和有效性。

研究目标：评估将面部IRT温度信息与机器学习一起用于冠状动脉疾病（CAD）预测的可行性。

研究方法：选择行有创冠状动脉造影或冠状动脉CT血管造影(CCTA)的患者。在验证性CAD检查之前捕获的面部IRT图像用于开发和验证用于检测CAD的深度学习IRT图像模型。作者比较了IRT图像模型与指南推荐的PTP模型在曲线下面积(AUC)上的性能。此外，从IRT图像中提取可解释的IRT表格特征，进一步验证IRT信息的预测价值。

研究结果：共有460名符合条件的参与者(平均(SD)年龄58.4(10.4)岁;126例(27.4%)为女性。与PTP模型(AUC 0.713, 95% CI 0.691至0.734)相比，IRT图像模型表现出出色的性能(AUC 0.804, 95% CI 0.785至0.823)。综合可解释的IRT特征获得了一致的优异表现(AUC 0.796, 95% CI 0.782至0.811)，进一步验证了IRT信息的预测价值。值得注意的是，即使只有传统的温度特征，仍然保持令人满意的性能(AUC 0.786, 95% CI 0.769至0.803)。

研究结论：这项前瞻性研究证明了使用非接触式面部IRT信息进行CAD预测的可行性

460名疑似心脏病患者中平均年龄为58岁，其中126人(27.5%)为女性。在确认性检查之前捕获他们的面部热图像，以开发和验证用于检测冠状动脉疾病的人工智能辅助成像模型。总共有322名参与者(70%)被确认患有冠状动脉疾病。这些人往往年龄较大，而且更有可能是男性。他们也更有可能有生活方式、临床和生化危险因素，以及更多地使用预防药物。热成像加人工智能方法在预测冠状动脉疾病方面比包括传统风险因素和临床体征和症状的测试前风险评估好13%左右。

在三个最显著的预测热指标中，影响最大的是面部整体左右温差，其次是最大面部温度和平均面部温度。具体来说，左下颌区域的平均温度是最强的预测特征，其次是右眼区域的温度范围和左太阳穴区域的左右温差。该方法还有效地确定了冠状动脉疾病的传统危险因素:高胆固醇;男性性;吸烟;超重(BMI);空腹血糖，以及炎症指标。

研究人员承认，他们的研究样本量相对较小，而且只在一个中心进行。研究参与者都被推荐进行疑似心脏病的确认测试。但是，“基于[冠状动脉疾病]预测的[热成像]的可行性表明了潜在的未来应用和研究机会。”“作为一种基于生物生理学的健康评估模式，[它]提供了超越传统临床措施的疾病相关信息，可以增强[动脉粥样硬化性心血管疾病]和相关慢性疾病的评估。 它的非接触式、实时性允许在护理点进行即时疾病评估，这可以简化临床工作流程，节省重要的医患决策时间。此外，它有可能实现大规模的预筛查。”

作者表示:“我们开发的[热成像]预测模型，基于先进的[机器学习]技术，与目前的传统临床工具相比，显示出了很大的潜力。“需要进一步的调查，包括更大的样本量和不同的患者群体，以验证当前研究结果的外部有效性和普遍性。”