利用视网膜光学相干断层扫描血管成像与电子健康记录预测冠状动脉疾病：一种多模态机器学习方法

《BMC Cardiovascular Disorders》：Prediction of coronary artery disease using retinal optical coherence tomography angiography imaging and electronic health records: a multimodal machine learning approach

　　

摘要

背景

冠状动脉疾病仍是全球主要的死亡原因之一。作为诊断的金标准，侵入性冠状动脉造影因成本高且存在操作风险，不适合大规模筛查。而视网膜微血管变化可通过视网膜-冠状动脉轴反映全身血管病变情况，为一种有前景的无创替代方案。光学相干断层扫描血管造影能够实现高分辨率的视网膜成像，但目前尚缺乏用于准确预测冠状动脉疾病的可靠计算框架。

目的

通过整合OCTA检测得到的视网膜特征与电子健康记录数据，构建并验证一种基于人工智能的冠状动脉疾病预测模型。

方法

这项回顾性队列研究纳入了2022年7月至2023年10月期间接受过OCTA检查与侵入性冠状动脉造影的542名患者。研究人员开发了一种基于Transformer的多尺度风格学习算法，从3×3平方毫米的黄斑区OCTA图像中提取特征，利用任务特定特性实现黄斑无血管区与视网膜血管的联合分割，同时量化98种视网膜血管成像生物标志物。通过LASSO回归筛选出相关预测因子，并用限制立方样条函数建立模型。随后在结合了OCTA与EHR数据的特征集上训练XGBoost分类器，并将其与四种基线深度学习网络模型进行比较。模型性能通过AUC值、敏感性、特异性、校准度以及决策曲线分析来评估。

结果

这种多模态模型展现出更强的区分能力（AUC值为0.850；敏感性为0.806；特异性为0.667），其性能显著优于仅使用OCTA数据的模型（AUC值为0.512；敏感性为0.581；特异性为0.417）。主要的预测因子包括糖化血红蛋白、高敏C反应蛋白，以及从OCTA数据中得出的血管密度指标（如黄斑颞侧及内侧区域的血管长度密度）。

结论

将视网膜OCTA生物标志物与EHR数据相结合，可实现准确、无创的冠状动脉疾病预测。这一方法不仅验证了视网膜-冠状动脉轴的存在，还为亚临床动脉粥样硬化的筛查建立了可扩展的方案。