基于舌象及深度学习构建冠状动脉病变严重程度的分类模型

摘要

目的 构建基于深度学习的舌象智能识别模型，实现对冠状动脉病变严重程度的无创评估。方法 前瞻性收集北京中医药大学东直门医院心内科住院收治的147例冠心病患者，采集患者一般资料(包括性别、年龄)、既往史、实验室检查及药物使用情况，根据评价冠状动脉狭窄程度的Gensini积分分为轻度组(n=44)、中度组(n=53)和重度组(n=50),并以7∶3的比例按照随机数字表法将147例患者划分为训练集(n=103)、测试集(n=44)。采用道生DS01-B型舌面诊测信息采集系统采集标准化舌象图像，通过基于多尺度卷积与通道注意力的改进型UNet++模型(ISE-UNet++)进行舌面区域分割，使用残差神经网络(ResNet)深度学习模型构建基于舌象的冠状动脉病变严重程度分类模型。使用梯度加权类激活映射(Grad-CAM)可视化分析技术对深度学习模型在不同冠状动脉病变严重程度患者的舌象判别区域进行可视化分析。结果 纳入的147例冠心病患者中，男性73例(49.7%)、女性74例(50.3%),平均年龄(73.05±8.24)岁。在舌象分割任务中，ISE-UNet++模型相较于原始UNet++模型，平均交并比、平均像素准确率和准确性均有所提高。在冠状动脉病变严重程度的分类模型中，50层ResNet模型在训练集及测试集中均表现最优，敏感性分别为0.848、0.745,特异性分别为0.829、0.756,精确度分别为0.741、0.788,召回率分别为0.805、0.819,F1值分别为0.790、0.813,准确性分别为0.809、0.778,Kappa系数分别为0.777、0.715,AUC值分别为0.880、0.854,均优于18层和34层ResNet模型。Grad-CAM可视化分析显示，冠状动脉病变轻度时，舌象的重点区域集中在舌尖；随着病变的加重，关注区域逐渐转移至舌中及舌根。结论 本研究基于舌象分析及深度学习技术构建的分类模型在冠状动脉病变分类中表现良好，提示舌象可作为无创评估的潜在信息源。

关键词

冠心病 / 舌象 / 深度学习 / 梯度加权类激活映射

基金资助

国家重点研发计划项目(No.2022YFC3502300,No.2022YFC3502301)