基于人工智能的视网膜血管形态学量化在冠心病风险评估中的作用OA

目的 利用机器学习和集成学习算法,构建基于眼底彩照视网膜血管形态特征量化分析的冠心病患者识别模型.方法 前瞻性纳入因可疑冠心病就诊于我院心内科行冠脉造影的患者,并拍摄45度眼底彩照,利用人工智能方法获取眼底彩照视网膜动静脉血管管径、动静脉管径比、动静脉弯曲度、分形维数、分支夹角等指标.利用主成分分析和主要最优传输方向降维的方法对视网膜血管形态参数进行数据降维,利用支持向量回归、随机森林、逻辑回归、k最近邻等机器学习方法,和多数投票和模型堆叠等集成学习方法,建立基于视网膜血管形态特征参数的冠心病识别模型.结果 本研究共纳入704例患者,其中488例患者诊断为冠心病,216例为非冠心病患者.通过计算最优传输Wasserstein距离找出冠心病与非冠心病患者数据差别最大的特征空间,根据主成分解释度图,前5个主成分对于原始数据特征的解释度提升较为显著,分别为黄斑中心凹附近血管弯曲度、动静脉比、平均血管管径、平均血管曲率和血管覆盖密度.利用降维后的数据进行二分类建模,并通过多数投票和模型堆叠的方法进行优化,最终冠心病识别模型准确率为81.4％,AUC为0.802(95％CI 0.771～0.837).结论 利用眼底彩照获取的视网膜血管形态学参数能够有效区分冠心病患者和非冠心病患者,准确性超过80％,视网膜血管形态学特征可以作为一种有效的生物标志物用于心血管疾病风险评估.