人工智能解读可降低心脏病发病率的城市设计

在最近发表在《 欧洲心脏杂志, 研究人员使用尖端的人工智能（AI）技术和分析来评估人工智能模型识别的“建筑环境特征”与观察到的冠心病（CHD）差异之间的关联。 具体来说，该团队使用定制卷积神经网络 (>)、线性混合效应模型 (LMEM) 和激活图来识别与 CHD 相关的特征关联并预测人口普查区级别的健康结果。

该研究首次使用超过 53 万条谷歌街景 (GSV) 进行模型训练和评估，其结果表明人工智能算法或许能够设计出显着减轻冠心病负担的未来城市。

学习： 基于人工智能的谷歌街景建筑环境评估和冠状动脉疾病患病率。 图片来源：yanto kw / Shutterstock

CHD、GSV 以及机器视觉在建筑环境评估中的潜力

冠心病（CHD），也称为冠状动脉疾病（CAD），是一种可能危及生命的慢性非传染性疾病，其特征是斑块沿着冠状动脉壁沉积，从而阻碍或完全阻断含氧物质的运动。血液流向心脏。 这种积累通常是渐进的——可能从童年时期开始，缓慢进展，最终在以后的生命阶段表现为冠心病。

尽管在 CHD 风险检测和预防方面进行了数十年的研究并取得了重大科学进展，但 CHD 仍然是心脏病相关死亡的主要原因，特别是在美国 (USA)，据估计，CHD 占该国死亡率的 50% 以上占所有心脏死亡率（仅 2020 年就有约 400,000 人死亡）。 最近的证据表明，非传统风险因素，包括种族、收入、文化和教育，可能在先心病病理学中发挥着深远的作用。

温度和环境污染（噪音和空气）等环境因素也与该疾病有关，尽管这些假设的证据仍然缺乏。 “建成”城市特征（建筑物、绿地和道路）的大规模存储库将允许进行特定地点的冠心病风险检测，并构成基于政策的医疗保健干预措施的第一步。

“对社区层面的环境进行大规模综合评估可以促进快速、完整地评估其对先心病的影响。 然而，此类数据很少，部分原因是邻里审计成本高昂且耗时，以及数据收集的测量和标准不一致。 自 2007 年推出以来，谷歌街景 (GSV) 等机器视觉方法已成为越来越流行的虚拟社区审计方法。”

Google 街景 (GSV) 是一种成像技术，广泛应用于 Google 地图和 Google 地球等众多 Google 应用程序中。 主要众包图像数据集于 2007 年首次推出，显示拼接 VR 照片的交互式全景图，几乎 100% 覆盖美国。 利用 GS​​V 迄今为止尚未开发的潜力的相关研究已经建立了与人类地面实况精度相当的技术，特别是在使用机器学习算法对 GSV 图像中的建筑环境特征进行分类和评估时。

关于该研究

本研究旨在使用 GSV 图像来评估美国七个城市的建筑环境，并利用这些结果来估计人口普查区一级的冠心病患病率。 人口普查区域级数据（2015-16 年）来自行为风险因素监测系统 (BRFSS)，该系统是 2018 年疾病控制和预防中心 (CDC) 人口水平分析和社区估计 (PLACES) 与罗伯特伍德约翰逊基金会。 该数据集包含来自华盛顿州贝尔维尤 789 个人口普查区的临床确诊心绞痛或 CHD 状态（阳性或阴性）的美国成年人（> 18 岁）； 德克萨斯州布朗斯维尔； 俄亥俄州克利夫兰； 科罗拉多州丹佛市； 密歇根州底特律； 加利福尼亚州弗里蒙特； 和堪萨斯州堪萨斯城。

作为本研究的一部分收集的数据包括去识别的人口和社会经济（DSE；年龄、种族、性别、教育水平、收入和职业）因素和病史。 图像数据集包含来自 GSV 服务器的超过 53 万张图像，使 Google 的图像分类完好无损。 想象数据提取是使用名为 Places365CNN 的深度 > (DCNN) 进行的，它是 Places 数据库的默认提取器。 鉴于 GSV 和 Places 图像特征分类之间的相似性，在使用超过 1000 万张训练图像进行训练后，发现 Places365CNN 对于当前研究数据提取具有鲁棒性。

为了探索原始 DCNN 提取的特征 (N = 4096) 与区域级 CHD 患病率之间的关联，研究人员训练并测试了三个独立的机器学习 (ML) 模型，即额外树回归器 (ET)、随机森林回归器 (RF) ）和光梯度增强机器回归器（LGBM）。 为了提高模型的预测准确性和鲁棒性，所有三个模型都经过了 10 倍交叉验证。 模型训练后，使用线性固定效应和随机效应模型进行多级回归分析，并根据年龄、性别、收入、种族和教育水平调整变量。

“……我们采用 Grad-CAM 技术创建显着性图，以突出原始 GSV 图像中的这些突出特征。 这个过程为 > 认为哪些环境特征与社区冠心病患病率相关提供了一定的解释。”

研究结果和要点

研究发现，不同地区的 CHD 患病率差异很大，贝尔维尤的中位患病率为 4.70，而克利夫兰的患病率中位数要高得多，为 8.70。 研究发现 DCNN 提取的特征包含超过 4,096 个 ML 分类特征。 这项工作的一个亮点是，仅这些提取的特征就能够解释观察到的 CHD 患病率区域间变异的 63%。

“我们发现底特律和克利夫兰某些人口普查区的模型低估了少数极值。 这些被低估的人口普查区的 CHD 患病率往往超过 12%。 当使用 t-SNE 检查 > 提取的特征时，我们注意到具有相似 CHD 患病率值的人口普查区域的聚集。”

多级建模显示，DSE 因素（尤其是年龄、性别和教育状况）比 GSV 特征更能准确预测 CHD。 这些结果表明，虽然 GSV 特征确实可能有助于突出显示与社区层面的 CHD 患病率相关的特定建筑环境信息，但在该技术可用于提供潜在方法之前，需要进行额外的计算（例如 Grad-CAM 方法）识别建筑环境信息。

“我们的研究结果为机器视觉识别与风险相关的城市网络特征提供了概念证明，原则上可以实现对高危社区的快速识别和针对性干预，以减轻心血管负担。”

期刊参考：

• Chen, Z.、Dazard, J.、Khalifa, Y.、Motairek, I. 和 Rajagopalan, S. 基于人工智能的谷歌街景建筑环境评估和冠状动脉疾病患病率。 欧洲心脏杂志DOI – 10.1093/eurheartj/ehae158, https://academic.oup.com/eurheartj/advance-article/doi/10.1093/eurheartj/ehae158/7635247?login=false

2024-04-02 01:26:00
1712025182
#人工智能解读可降低心脏病发病率的城市设计