利用视网膜图像进行深度学习，以预测与心血管代谢风险相关的、基于生物标志物的肥胖亚型

《npj Digital Medicine》：Deep learning from retinal images for prediction of biomarker-informed obesity subtypes associated with cardiometabolic risk

　　

摘要

具有相似身体质量指数（BMI）的个体通常表现出不同的心血管代谢风险特征，但当前的方法需要多种循环生物标志物，这限制了其可扩展性。在这里，我们开发了ROSA（基于视网膜的肥胖亚型分类算法），这是一个深度学习框架，它利用知识蒸馏技术将多种心血管代谢知识从循环生物标志物的潜在特征分析和视网膜基础模型特征中提取出来，并将其整合到一个仅需要单张眼底图像的模型中。该算法应用于英国生物银行（UKB；n = 37,137）和北京健康管理队列外部验证队列（BHMC-EV；n = 26,556）中的63,693名参与者，将参与者分为三种肥胖亚型：基线一致型、炎症不一致型和高血糖不一致型。在独立的BHMC-EV队列中，ROSA的宏观平均AUC为0.66（95% CI: 0.64–0.67），宏观平均敏感性为0.45；针对不同亚型的具体外部敏感性分别为：BC为0.84和0.87，DIS为0.02和0.73，DHG为0.51和0.34。在UKB-CHV队列中的表现更为优异，宏观平均AUC为0.80（0.79–0.82），敏感性为0.59。在UKB-CHV的13年随访中，高血糖亚型与2型糖尿病风险增加（HR 4.72，95% CI: 3.70–6.02）以及心血管代谢疾病进展加速（HR 3.21，2.53–4.06）相关。涵盖表型组、代谢组、蛋白质组和基因组的多组学分析发现了每种亚型的独特生物学关联。ROSA表明，视网膜成像能够捕捉到肥胖中的部分心血管代谢异质性，但其有限的敏感性表明在临床应用之前还需要进一步校准和验证。