看脸可识冠心病（欧洲心脏杂志发表阜外医院郑哲团队多中心机器学习文章）

研究者指出，这种基于脸部照片的深度学习算法，具有中等的冠心病识别效能，而且进一步研究发现，加入临床指标并没有改善该算法的效能，说明这种算法只简单用脸部照片就可以，不需要考虑病史或查体。 另外，该研究显示，在所有脸部区域中，脸颊、额头、鼻子对该算法的贡献较大。 研究者表示，这一结果与既往其他研究报道不一致。此前研究发现，眼睛、耳朵、头发与冠心病的关联可能更强。 他们认为，这可能有三方面的原因：该研究预先处理了照片；提取了某些不被人注意但与冠心病强烈相关的脸部特征，比如表观年龄、脸部脂肪、脸型；既往研究错估了冠心病与脸颊、额头、鼻子之间的关系。 研究者发现，额秃（发际线后移）、头顶秃、耳垂折痕、耳前折痕、眼袋深、鱼尾纹深、额头皱纹深、眼眶周围有皱纹、鼻沟、鼻唇沟（法令纹）深、老年斑、口唇苍白等头面部特征被算法认为可能与冠心病存在较显著关联。

有些疾病，医生看看面相就能略知一二，这在中医里比较常见。如今，借助先进的计算机技术，西医也能“看脸识病”了。 8月20日，阜外医院郑哲教授等联合全国其他八家医院研究人员和清华大学季向阳教授团队在《欧洲心脏杂志》发表的一项多中心横断面研究表明，通过计算机深度学习算法，看脸部照片就能评估一个人的冠心病风险。 研究者指出，这一技术可能在门诊辅助评估冠心病风险，以及在社区对高风险人群中早期筛查冠心病，未来需要进一步开发一个临床可利用的工具。 该研究首先于2017年7月至2019年3月从全国八家医院连续纳入5796例择期接受冠脉造影或冠脉CT血管成像检查的患者，随机将其中90%（5216人）的患者分入训练组，其余10%（580人）分入验证组，来建立深度学习算法。 然后，该研究于2019年4月至2019年7月从9家医院又纳入1013例择期接受冠脉造影或冠脉CT血管成像检查的患者，作为测试组，对深度学习算法进行验证。 结果显示，以影像学诊断作为参考标准时，在验证组中，基于脸部照片的冠心病检测算法的敏感度为0.8，特异度为0.61，ROC曲线下面积（AUC）为0.757，准确度明显高于传统的Diamond–Forrester模型（AUC为0.631）和广泛应用的冠心病联盟临床评分（AUC为0.694）。 在测试组中，基于脸部照片的冠心病检测算法的敏感度高达0.8，特异度为0.54，AUC为0.73，其准确度也明显高于Diamond–Forrester模型（AUC为0.623）和冠心病联盟临床评分（AUC为0.652）。

算法认为可能与冠心病存在较显著关联的头面部特征 随着上述阳性面部特征区域增多，冠心病、单支或双支冠脉病变、三支或左主干病变的患病率有升高的趋势。 在拥有≤3个、4~6个、7~9个上述阳性头面部特征的人中，冠心病患病率分别为27.5%、40.3%、84%，单支或双支病变患病率分别为17.6%、27.3%、42.4%，三支或左主干病变的患病率分别为9.8%、13%、41.6%。 在该研究中，研究人员收集每位患者的4张不同角度（正面、左60°、右60°、头顶）的脸部照片，合成一张包括所有脸部特征的12通道照片，然后提取有用的脸部特征在训练组中造模。 该研究所纳入的患者排除既往接受冠脉介入治疗或心脏搭桥手术、患其他心脏疾病、最近3个月内未做血生化检查、整形或面部受伤的患者。以冠脉造影或冠脉CT血管成像检查至少一支冠脉病变狭窄≥50%来诊断冠心病。 本研究由中国医学科学院阜外医院、首都医科大学附属北京安贞医院、大连医科大学附属第一医院、华中科技大学同济医学院附属协和医院、同济大学附属上海东方医院、上海交通大学医学院附属仁济医院、温州医科大学附属第一医院、徐州市第三人民医院、中国中医科学院广安门医院合作完成。 研究使用应用卷积神经网络（Convolutional Neural Network，CNN）建立基于面部图片的冠心病预测模型，预测患者是否存在“至少1支冠状动脉狭窄≥50%”。 来源：Shen Lin, Zhigang Li, Bowen Fu, et al. Feasibility of using deep learning to detect coronary artery disease based on facial photo. Eur Heart J, 20 August 2020