Machine Learning Prediction of Coronary Artery Disease Using Palm Images and Clinical Data
本研究开发并验证了一种利用手掌图像和临床数据预测冠心病机器学习模型，发现虽然整合临床信息略微提升了基于手掌的预测效果，但仅依赖临床数据的模型实现了最高的整体性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
心脏病仍然是现代生活中最持久且致命的挑战之一，其驱动力来自于人口老龄化以及使心血管系统承受压力的生活方式。虽然医生长期以来一直依赖血液检测和影像学检查来发现动脉阻塞的征兆，但这些方法通常需要昂贵的设备和侵入性程序。在寻找更简单、非侵入性筛查方法的过程中，科学家们开始转向观察人体表面隐藏的线索。皮肤，尤其是手掌，在生命早期阶段与心脏和血管同步发育，这使得研究人员开始思考，我们手上的纹路是否可能蕴含着未来心脏问题的遗传或发育特征。这个问题处于传统医学与人工智能的交汇点，在人工智能领域，计算机被教导去识别人类肉眼可能忽略的细微视觉模式。
来自中国宁波大学及其附属医院的一个研究小组致力于通过构建一个计算机模型来测试这一设想，该模型旨在仅利用患者的手部照片及其基本病史来预测冠状动脉疾病。他们收集了近一千名接受过标准心脏导管手术（一种能够明确观察动脉是否阻塞的检查）的患者数据。对于每位患者，团队收集了一张高质量的手掌图像，以及年龄、性别、血压和血液检测结果等详细信息。目标是观察机器是否能学习区分动脉阻塞患者与健康患者的手掌，以及添加简单的健康事实是否会提高预测的准确性。
为了实现这一目标，研究人员首先必须教会计算机如何在图片中找到手部。他们使用了一种先进的图像检测工具来定位手掌并裁剪掉照片的其他部分，以确保计算机只关注相关的皮肤和纹路。随后，他们将数千张这类裁剪后的图像输入到一个深度学习系统中，这是一种通过检查数百万个样本进行学习的人工智能类型。该系统经过训练，旨在识别出可能与心脏病相关的掌纹独特纹理和脊线模式。研究人员还构建了一个仅使用患者临床数据（如胆固醇水平和吸烟史）的模型，以观察传统的数值在独立预测疾病方面的表现如何。最后，他们创建了第三个模型，将手掌照片与一些基本的健康事实（例如患者是否患有高血压或吸烟）相结合，以观察这两类信息源结合后是否效果更好。
当团队使用一组计算机从未见过的患者进行测试时，结果呈现出一个清晰但具有细微差别的图景。仅观察手掌图像的模型表现尚可，正确识别疾病状态的概率约为三分之二。这表明手掌确实包含了一些与心脏健康相关的视觉信息，这很可能反映了皮肤与心血管系统共同的遗传发育过程。当研究人员将基本的临床信息添加到手掌照片中时，模型的准确性略有提高，这表明健康事实为视觉数据提供了有益的背景信息。然而，最强大的工具竟然是那个完全忽略手部的模型。仅基于临床数据（使用年龄、血压和特定血液指标等因素）构建的模型表现优于仅图像模型和结合模型。它实现了最高的准确率，并且在正确识别实际患病患者方面表现最佳。
研究结论指出，虽然手掌图像包含了与心脏病相关的可测量、现实世界的信号，但它们目前还不能取代标准的医学评估。计算机发现，用于预测动脉阻塞的直接证据——即血液检测和患者病史——比皮肤上的模式要可靠得多。研究人员建议，手掌摄影未来可以作为社区诊所或健康展会等场所中一种便捷、低成本的筛查工具，或许可以起到提醒个人需要进行更深入检查的作用。然而，在技术得到完善并在更大规模的人群中经过测试之前，它仍然是一种辅助手段，而非独立的诊断工具。这项工作表明，尽管人体表面可能会低声诉说关于内部健康的秘密，但直接测量生理指标的声音仍然最为响亮。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。