隨著醫療數據采集和存儲手段的不斷更新，醫療數據出現爆炸性增長，無法依靠人工進行處理，這促使了人工智能（artificial intelligence，AI）技術在醫療應用中的發展^[1]。現如今，AI 技術已在臨床實踐的諸多領域有了相當成熟的應用，包括疾病早篩、影像診斷、醫療決策輔助、疾病精準分型、疾病風險預測以及醫院管理等。在心血管領域，作為全球致死致殘的主要病因，冠狀動脈粥樣硬化性心臟病（冠心病）同樣在與 AI 迅速融合，改善疾病防治^[2]。例如，圖像識別中，應用深度學習進行心電圖判讀已能準確識別心肌梗死、不同的心律失常等情況^[3]；通過訓練的神經網絡算法可以自動地判讀冠狀動脈造影獲取病變狹窄、病變特點等信息^[4]。風險預測中，應用大型注冊登記的冠狀動脈 CT 血管造影數據，機器學習算法可以準確預測患者 5 年生存率，從而指導后續診療策略^[5]。

雖然 AI 在冠心病診療領域的應用已初見規模，由于冠心病診治極為復雜，仍需更多 AI 應用輔助冠心病診療。作為一項早期發現可防可控的疾病，冠心病的早期篩查是疾病控制的重要環節。但是，目前臨床常用的篩查工具均存在需要醫生輔助的局限性，無法大規模應用，仍需簡便的疾病篩查方式輔助冠心病防控^[6]。許多面部特征（如男性脫發、耳褶征、角膜環、瞼黃瘤和皮膚皺紋等）被認為與冠心病相關，可能是一種便捷的疾病篩查方式^[7-8]。但既往報道的面部特征存在種類較少、定義不明確、人工判斷可重復性較差的局限性，無法常規用于臨床。隨著 AI 面部識別技術的發展，全面整合面部信息成為可能，能否通過 AI 技術整合面部圖片信息預測冠心病呢？

近期《歐洲心臟雜志》刊發了由中國醫學科學院阜外醫院鄭哲教授和清華大學腦與認知科學研究所季向陽教授等研究人員的一項研究結果顯示，通過計算機深度學習算法分析臉部照片，就能評估冠心病風險^[9]。

這項多中心橫斷面研究納入行擇期冠狀動脈造影或冠狀動脈 CT 血管成像檢查的患者，排除既往經皮冠狀動脈介入治療、既往冠狀動脈旁路移植術、合并其它心臟疾病（如先天性心臟病、瓣膜病、大血管疾病）、3 個月內無血生化檢查、既往有人為面部改變以及無法配合拍照者。研究自 2017 年 7 月至 2019 年 3 月于我國 8 家醫院（中國醫學科學院阜外醫院、首都醫科大學附屬北京安貞醫院、上海交通大學附屬仁濟醫院、同濟大學附屬上海東方醫院、華中科技大學同濟醫學院附屬協和醫院、溫州醫科大學附屬第一醫院、大連醫科大學附屬第一醫院、徐州市第三人民醫院）入選了 5 796 例患者，隨機將其中 90%（5216 例）的患者分入訓練組，其余 10%（580 例）分入驗證組，建立深度學習算法。 隨后，該研究于 2019 年 4～7 月于 9 家醫院（上述 8 家醫院和中國中醫科學院廣安門醫院）納入 1 013 例患者，作為測試組，對深度學習算法進行驗證。研究人員收集每例患者的 4 張不同角度（正面、左 60°、右 60°、頭頂）面部照片、臨床特點以及冠狀動脈檢查結果信息。算法測試結果提示，以影像學診斷作為參考標準時，在測試組中，基于臉部照片的冠心病檢測算法的敏感度為 0.80，特異度為 0.54，受試者工作特征（ROC）曲線下面積（area under curve，AUC）為 0.730，預測效能明顯高于傳統的 Diamond–Forrester 模型（AUC 0.623）和廣泛應用的冠心病聯盟臨床評分（AUC 0.652）。

進一步的分析提示算法效能在男女間無差異（AUC 0.720 vs. 0.715），在年齡小于 60 歲（AUC 0.749）、有典型心絞痛（AUC 0.784）、危險因素更多（AUC 0.774）、病變更復雜（單支病變 AUC 0.684，雙支病變 AUC 0.734，三支病變 AUC 0.788，左主干病變 AUC 0.751）的患者中模型效能更佳。所有臉部區域中，臉頰、額頭、鼻子對該算法的貢獻較大。額禿（發際線后移）、頭頂禿、耳垂折痕、耳前折痕、眼袋深、魚尾紋深、額頭皺紋深、眼眶周圍深皺紋、鼻溝、鼻唇溝（法令紋）深、老年斑、口唇蒼白等頭面部特征被算法認為可能與冠心病存在較顯著關聯。隨著陽性面部特征區域增多，冠心病的患病率有升高的趨勢，在擁有≤3 個、4～6 個、7～9 個上述陽性頭面部特征的人中，冠心病患病率分別為 27.5%、40.3%、84%，單支或雙支病變患病率分別為 17.6%、27.3%、42.4%，三支或左主干病變的患病率分別為 9.8%、13%、41.6%。

據我們所知，這項研究首次論證了應用深度學習算法分析面部圖片預測冠心病的可行性。許多面部特征被認為與冠心病存在相關性，感知年齡、男性脫發、耳褶征、角膜環、瞼黃瘤、面部輪廓、皺紋等均被認為可能與整體健康狀況或心血管健康相關^{[8, 10-13]}。Christoffersen 等^[7-8]進行的一項迄今為止最大規模的隊列研究（n=10 885）提示，健康人群中男性脫發、耳褶征以及角膜環與遠期（平均 23 年）死亡、心肌梗死、缺血性心臟病的發病顯著相關，且這些特征可進一步改善 Framingham 風險模型的預測效能。Wang 等^[14]進一步的研究提示，應用耳褶征進行冠心病（至少一支冠狀動脈狹窄≥50%）診斷，在內部驗證人群中靈敏度為 0.78，特異度為 0.61。但是，既往所有研究均存在無法整合所有面部特征、人為判斷差異以及缺乏獨立測試人群驗證的局限性。在這項研究中，研究團隊首次嘗試應用 AI 技術跨越了既往人工技術屏障，并在獨立的測試人群中獲得了較好的冠心病預測效能。這項工具的重要意義在于，算法只需要簡單的人臉圖像作為唯一的輸入數據，即獲得了超越傳統模型的預測效能，因而使得大范圍的人群應用成為可能。這項工具在將來可能從以下兩方面優化冠心病診療。第一，應用自拍進行社區人群大范圍篩查，指導高危患者就醫，實現疾病早發現、早治療。第二，算法優于目前傳統臨床模型，可用于輔助門診醫生進行冠心病風險評估，優化后續診療決策。

同時，這項研究的可視化分析結果也為未來進一步探索面部特征與冠心病相關性的機制提供了參考。第一，研究結果提示面頰、額頭、鼻子部分可能是對疾病預測貢獻最高的區域，這與傳統冠心病相關面部特征多見于眼部、耳部、頭發等部位不同^[7-8]。這可能預示著很多既往的面部特征因為人工判斷的偏倚被誤判為與冠心病無關，仍需進一步開展機制研究明確這些面部特征與冠心病的相關性。第二，許多與冠心病具有較強相關性但很難被理解的面部特征可能被模型獲取用于預測疾病。例如，感知年齡、面部脂肪、輪廓等特征均被許多研究認為與冠心病相關，但很難有研究量化該特征以確認該相關性^{[10, 15-16]}。隨著 AI 工具的發展，這些面部特征與冠心病的相關性仍值得探討。

當然，這項技術目前仍處于研究階段，真正實現臨床應用仍有多方面挑戰。第一，研究測試組的人群大多與訓練組人群來源于相同的研究中心，仍需進一步的外部驗證確保研究結論穩定可靠；第二，目前算法仍無法滿足真實世界應用的需要，仍需進一步簡化拍照條件，并應用真實世界中的目標人群（社區、門診人群）進行進一步模型開發；第三，算法的低特異性會引起人們對假陽性結果的擔憂，并最終產生不必要的就醫和檢查，仍需進一步開發提升；第四，這項技術本身對隱私的保護、數據安全的考量仍需進一步完善。

盡管存在這些挑戰，這種新穎的疾病篩查、診斷方法在未來的應用仍值得期待。目前，已有多項較成熟的 AI 面部識別技術應用于遺傳病以及內分泌疾病的早期診斷，例如肢端肥大癥、唐氏綜合征、庫欣綜合征等，并取得比有經驗的臨床醫生更好的診斷效果^[17-19]。總的來說，AI 正在逐漸占據醫學研究的中心位置。臨床醫學與先進的計算機技術相結合，它們將為高精度、個性化診療鋪平道路，并徹底改變我們所知的醫學。

利益沖突：無。

作者貢獻：鄭哲設計思路并修改文章；林深撰寫初稿。

隨著醫療數據采集和存儲手段的不斷更新，醫療數據出現爆炸性增長，無法依靠人工進行處理，這促使了人工智能（artificial intelligence，AI）技術在醫療應用中的發展^[1]。現如今，AI 技術已在臨床實踐的諸多領域有了相當成熟的應用，包括疾病早篩、影像診斷、醫療決策輔助、疾病精準分型、疾病風險預測以及醫院管理等。在心血管領域，作為全球致死致殘的主要病因，冠狀動脈粥樣硬化性心臟病（冠心病）同樣在與 AI 迅速融合，改善疾病防治^[2]。例如，圖像識別中，應用深度學習進行心電圖判讀已能準確識別心肌梗死、不同的心律失常等情況^[3]；通過訓練的神經網絡算法可以自動地判讀冠狀動脈造影獲取病變狹窄、病變特點等信息^[4]。風險預測中，應用大型注冊登記的冠狀動脈 CT 血管造影數據，機器學習算法可以準確預測患者 5 年生存率，從而指導后續診療策略^[5]。

雖然 AI 在冠心病診療領域的應用已初見規模，由于冠心病診治極為復雜，仍需更多 AI 應用輔助冠心病診療。作為一項早期發現可防可控的疾病，冠心病的早期篩查是疾病控制的重要環節。但是，目前臨床常用的篩查工具均存在需要醫生輔助的局限性，無法大規模應用，仍需簡便的疾病篩查方式輔助冠心病防控^[6]。許多面部特征（如男性脫發、耳褶征、角膜環、瞼黃瘤和皮膚皺紋等）被認為與冠心病相關，可能是一種便捷的疾病篩查方式^[7-8]。但既往報道的面部特征存在種類較少、定義不明確、人工判斷可重復性較差的局限性，無法常規用于臨床。隨著 AI 面部識別技術的發展，全面整合面部信息成為可能，能否通過 AI 技術整合面部圖片信息預測冠心病呢？

近期《歐洲心臟雜志》刊發了由中國醫學科學院阜外醫院鄭哲教授和清華大學腦與認知科學研究所季向陽教授等研究人員的一項研究結果顯示，通過計算機深度學習算法分析臉部照片，就能評估冠心病風險^[9]。

這項多中心橫斷面研究納入行擇期冠狀動脈造影或冠狀動脈 CT 血管成像檢查的患者，排除既往經皮冠狀動脈介入治療、既往冠狀動脈旁路移植術、合并其它心臟疾病（如先天性心臟病、瓣膜病、大血管疾病）、3 個月內無血生化檢查、既往有人為面部改變以及無法配合拍照者。研究自 2017 年 7 月至 2019 年 3 月于我國 8 家醫院（中國醫學科學院阜外醫院、首都醫科大學附屬北京安貞醫院、上海交通大學附屬仁濟醫院、同濟大學附屬上海東方醫院、華中科技大學同濟醫學院附屬協和醫院、溫州醫科大學附屬第一醫院、大連醫科大學附屬第一醫院、徐州市第三人民醫院）入選了 5 796 例患者，隨機將其中 90%（5216 例）的患者分入訓練組，其余 10%（580 例）分入驗證組，建立深度學習算法。 隨后，該研究于 2019 年 4～7 月于 9 家醫院（上述 8 家醫院和中國中醫科學院廣安門醫院）納入 1 013 例患者，作為測試組，對深度學習算法進行驗證。研究人員收集每例患者的 4 張不同角度（正面、左 60°、右 60°、頭頂）面部照片、臨床特點以及冠狀動脈檢查結果信息。算法測試結果提示，以影像學診斷作為參考標準時，在測試組中，基于臉部照片的冠心病檢測算法的敏感度為 0.80，特異度為 0.54，受試者工作特征（ROC）曲線下面積（area under curve，AUC）為 0.730，預測效能明顯高于傳統的 Diamond–Forrester 模型（AUC 0.623）和廣泛應用的冠心病聯盟臨床評分（AUC 0.652）。

進一步的分析提示算法效能在男女間無差異（AUC 0.720 vs. 0.715），在年齡小于 60 歲（AUC 0.749）、有典型心絞痛（AUC 0.784）、危險因素更多（AUC 0.774）、病變更復雜（單支病變 AUC 0.684，雙支病變 AUC 0.734，三支病變 AUC 0.788，左主干病變 AUC 0.751）的患者中模型效能更佳。所有臉部區域中，臉頰、額頭、鼻子對該算法的貢獻較大。額禿（發際線后移）、頭頂禿、耳垂折痕、耳前折痕、眼袋深、魚尾紋深、額頭皺紋深、眼眶周圍深皺紋、鼻溝、鼻唇溝（法令紋）深、老年斑、口唇蒼白等頭面部特征被算法認為可能與冠心病存在較顯著關聯。隨著陽性面部特征區域增多，冠心病的患病率有升高的趨勢，在擁有≤3 個、4～6 個、7～9 個上述陽性頭面部特征的人中，冠心病患病率分別為 27.5%、40.3%、84%，單支或雙支病變患病率分別為 17.6%、27.3%、42.4%，三支或左主干病變的患病率分別為 9.8%、13%、41.6%。

據我們所知，這項研究首次論證了應用深度學習算法分析面部圖片預測冠心病的可行性。許多面部特征被認為與冠心病存在相關性，感知年齡、男性脫發、耳褶征、角膜環、瞼黃瘤、面部輪廓、皺紋等均被認為可能與整體健康狀況或心血管健康相關^{[8, 10-13]}。Christoffersen 等^[7-8]進行的一項迄今為止最大規模的隊列研究（n=10 885）提示，健康人群中男性脫發、耳褶征以及角膜環與遠期（平均 23 年）死亡、心肌梗死、缺血性心臟病的發病顯著相關，且這些特征可進一步改善 Framingham 風險模型的預測效能。Wang 等^[14]進一步的研究提示，應用耳褶征進行冠心病（至少一支冠狀動脈狹窄≥50%）診斷，在內部驗證人群中靈敏度為 0.78，特異度為 0.61。但是，既往所有研究均存在無法整合所有面部特征、人為判斷差異以及缺乏獨立測試人群驗證的局限性。在這項研究中，研究團隊首次嘗試應用 AI 技術跨越了既往人工技術屏障，并在獨立的測試人群中獲得了較好的冠心病預測效能。這項工具的重要意義在于，算法只需要簡單的人臉圖像作為唯一的輸入數據，即獲得了超越傳統模型的預測效能，因而使得大范圍的人群應用成為可能。這項工具在將來可能從以下兩方面優化冠心病診療。第一，應用自拍進行社區人群大范圍篩查，指導高危患者就醫，實現疾病早發現、早治療。第二，算法優于目前傳統臨床模型，可用于輔助門診醫生進行冠心病風險評估，優化后續診療決策。

同時，這項研究的可視化分析結果也為未來進一步探索面部特征與冠心病相關性的機制提供了參考。第一，研究結果提示面頰、額頭、鼻子部分可能是對疾病預測貢獻最高的區域，這與傳統冠心病相關面部特征多見于眼部、耳部、頭發等部位不同^[7-8]。這可能預示著很多既往的面部特征因為人工判斷的偏倚被誤判為與冠心病無關，仍需進一步開展機制研究明確這些面部特征與冠心病的相關性。第二，許多與冠心病具有較強相關性但很難被理解的面部特征可能被模型獲取用于預測疾病。例如，感知年齡、面部脂肪、輪廓等特征均被許多研究認為與冠心病相關，但很難有研究量化該特征以確認該相關性^{[10, 15-16]}。隨著 AI 工具的發展，這些面部特征與冠心病的相關性仍值得探討。

當然，這項技術目前仍處于研究階段，真正實現臨床應用仍有多方面挑戰。第一，研究測試組的人群大多與訓練組人群來源于相同的研究中心，仍需進一步的外部驗證確保研究結論穩定可靠；第二，目前算法仍無法滿足真實世界應用的需要，仍需進一步簡化拍照條件，并應用真實世界中的目標人群（社區、門診人群）進行進一步模型開發；第三，算法的低特異性會引起人們對假陽性結果的擔憂，并最終產生不必要的就醫和檢查，仍需進一步開發提升；第四，這項技術本身對隱私的保護、數據安全的考量仍需進一步完善。

盡管存在這些挑戰，這種新穎的疾病篩查、診斷方法在未來的應用仍值得期待。目前，已有多項較成熟的 AI 面部識別技術應用于遺傳病以及內分泌疾病的早期診斷，例如肢端肥大癥、唐氏綜合征、庫欣綜合征等，并取得比有經驗的臨床醫生更好的診斷效果^[17-19]。總的來說，AI 正在逐漸占據醫學研究的中心位置。臨床醫學與先進的計算機技術相結合，它們將為高精度、個性化診療鋪平道路，并徹底改變我們所知的醫學。

利益沖突：無。

作者貢獻：鄭哲設計思路并修改文章；林深撰寫初稿。