[论文解读] Artificial Intelligence in Assessing Cardiovascular Diseases and Risk Factors via Retinal Fundus Images: A Review of the Last Decade

Mirsaeed Abdollahi, Ali Jafarizadeh+8 more|arXiv (Cornell University)|Nov 11, 2023

Retinal Imaging and Analysis参考文献 89被引用 4

一句话总结

本篇综述整合了过去十年利用人工智能——尤其是深度学习——分析视网膜眼底图像以检测心血管疾病及其危险因素的研究进展。综述强调了人工智能通过单次视网膜扫描实现无创、早期诊断多种心血管疾病（CVDs）的潜力，同时指出了临床转化中的关键挑战，并强调了在医疗体系中更广泛实施的迫切需求。

ABSTRACT

Background: Cardiovascular diseases (CVDs) are the leading cause of death globally. The use of artificial intelligence (AI) methods - in particular, deep learning (DL) - has been on the rise lately for the analysis of different CVD-related topics. The use of fundus images and optical coherence tomography angiography (OCTA) in the diagnosis of retinal diseases has also been extensively studied. To better understand heart function and anticipate changes based on microvascular characteristics and function, researchers are currently exploring the integration of AI with non-invasive retinal scanning. There is great potential to reduce the number of cardiovascular events and the financial strain on healthcare systems by utilizing AI-assisted early detection and prediction of cardiovascular diseases on a large scale. Method: A comprehensive search was conducted across various databases, including PubMed, Medline, Google Scholar, Scopus, Web of Sciences, IEEE Xplore, and ACM Digital Library, using specific keywords related to cardiovascular diseases and artificial intelligence. Results: The study included 87 English-language publications selected for relevance, and additional references were considered. This paper provides an overview of the recent developments and difficulties in using artificial intelligence and retinal imaging to diagnose cardiovascular diseases. It provides insights for further exploration in this field. Conclusion: Researchers are trying to develop precise disease prognosis patterns in response to the aging population and the growing global burden of CVD. AI and deep learning are revolutionizing healthcare by potentially diagnosing multiple CVDs from a single retinal image. However, swifter adoption of these technologies in healthcare systems is required.

研究动机与目标

• 评估过去十年中人工智能驱动的视网膜眼底图像分析在心血管疾病检测方面的最新技术进展。
• 识别阻碍人工智能在心血管风险评估中广泛应用的关键技术和临床挑战。
• 全面概述利用无创视网膜成像检测心血管疾病及其危险因素的人工智能应用。
• 通过总结当前局限性与机遇，为未来研究提供指导，推动人工智能融入临床心脏病学工作流程。

提出的方法

• 通过在PubMed、Medline、Google Scholar、Scopus、Web of Science、IEEE Xplore和ACM Digital Library中使用与心血管疾病（CVDs）和人工智能（AI）相关的关键词，系统性地检索文献。
• 基于与人工智能、视网膜眼底成像及心血管疾病评估的相关性，筛选出87篇相关英文文献。
• 本综述综合了采用卷积神经网络（CNNs）等深度学习模型从视网膜图像中提取特征并进行分类的研究成果。
• 分析重点包括模型性能、临床适用性、数据质量以及在不同人群中的泛化能力。
• 本研究评估了诊断准确性，以及通过眼底图像中可见的微血管改变实现心血管疾病早期预测的潜力。
• 综述讨论了人工智能与现有临床路径的整合，以及在医疗系统中实现真实世界部署的障碍。

实验结果

研究问题

• RQ1 过去十年中，人工智能如何应用于视网膜眼底图像以检测心血管疾病？
• RQ2 在视网膜图像分析用于心血管疾病风险预测时，最有效的深度学习架构是什么？
• RQ3 限制人工智能在基于视网膜的心血管疾病筛查中应用的主要技术和临床挑战有哪些？
• RQ4 模型性能和泛化能力在不同人群和成像协议之间如何变化？
• RQ5 当前研究中存在哪些关键空白，必须加以解决才能使人工智能有效整合到常规心血管风险评估中？

主要发现

• 人工智能模型，尤其是深度学习方法，在单次视网膜眼底图像中检测多种心血管疾病及其危险因素方面表现出高准确性。
• 将人工智能与视网膜成像结合，可实现对与全身心血管健康相关的微血管改变的无创评估。
• 尽管在受控研究中表现优异，但数据多样性、模型可解释性以及临床验证方面的挑战仍是真实世界部署的主要障碍。
• 越来越多的证据表明，视网膜眼底图像可在多项研究中以中等至较高的AUC值预测心血管疾病结局，如中风和心肌梗死。
• 本综述指出，亟需更大规模、涵盖多个人种且具有纵向随访的数据库，以提升模型的鲁棒性和泛化能力。
• 尽管人工智能在视网膜心血管疾病筛查中具有降低心血管事件和医疗成本的潜力，但其在临床中的应用目前仍有限。