研究速递：用深度学习对人体心血管衰老速率自动建模

导语

我们每个人都有一个自然的时序年龄，它记录人体的成长衰老，有时却并不能准确反映身体的健康状况，为此科学家们尝试通过身体的真实信号来预测衰老和死亡。在8月25日发表于 Nature Communications 的一项最新研究中，来自巴西的研究团队使用156万名患者的心电图等数据，用深度学习模型为每个人构建了一个“心电图年龄”，并发现据此能够预测个体未来的死亡率。这将帮助识别出未知的高风险人群，提高社会的健康水平，并找到那些不为人知的风险因素。

研究领域：生物学年龄，深度学习，医疗人工智能

郭瑞东 | 作者

梁金 | 审校

邓一雪 | 编辑

论文题目：

Deep neural network-estimated electrocardiographic age as a mortality predictor 

论文链接：

https://www.nature.com/articles/s41467-021-25351-7

人的年龄反映着身体健康状况，可以看成对人体这一复杂系统的降维。然而参加过毕业十年聚会的同学都明白，个人的时序年龄不等于身体的实际状况。为了更准确地描述身体状况，科学家提出了“生物学年龄”的概念，将生理指标及生活习惯通过算法整合，即可算出生物学年龄，可以看成是对复杂系统的自动化建模。如果依据的指标聚焦于某个组织器官，则计算的是相应组织或器官的年龄，例如心血管年龄描述心脏的健康水平，皮肤年龄描述皮肤状况相当于多少岁的人。

相比传统方法，深度学习模型的优势在于，它是一个端到端的模型，不需专家基于经验设置。训练过程也很简单，不需要手动标注的数据，只需要观测受试者7~10秒的心电图，将实际年龄做标签，使用多层卷积神经网络，就可以预测出对应的“心电图年龄”。

研究发现，如果一个人的心电图年龄大于时序年龄超过8岁，其全因死亡率是正常人群的1.79倍；如果心电图年龄小于实际年龄8岁，那么全因死亡率则只有正常人群的0.79倍。

图1：三个不同的数据集（a, b, c）中，心血管年龄与时序年龄的差值不同，对应显著的全因死亡率差异。绿线：心电图年龄小于时序年龄超过8岁；蓝线：心电图年龄与时序年龄差别在8岁以内；橙线：心电图年龄大于时序年龄超过8岁。

该研究用到的三个数据集，既包含来自于健康人的，也包含心血管疾病或糖尿病慢性患者的。其年龄分布见下图2所示。(a) 中人群的时序年龄均匀分布在25~75岁之间，(b)(c)的年龄则偏大一些，以五六十岁居多。在三个数据集上，心电图年龄都能显著预测全因死亡率，这论证了模型的鲁棒性，即其适用范围很广。而距离采样的时间越久，心电图年龄预测出的死亡率差异就越明显。

图2：三个数据集中心血管年龄（纵轴）和时序年龄（横轴）的分布

对深度学习模型的一个常见批评是缺少可解释性。对于模型预测的心电图年龄超过实际年龄8岁的人群，一定想知道是什么因素导致模型做出了这样的预测。尽管无法针对个体给出个性化的回答，该模型可以解释，在心电图年龄超龄者中，哪些生活习惯和慢性疾病更经常出现，比如图3中可以看到，高血压、粥状动脉硬化、超重及吸烟等广为人知的心血管疾病高风险因素，以及中高强度运动等心血管疾病保护因素。

图3：心电图年龄超龄人群的高危慢性病和生活习惯，（a）对应所有样本，（b）对应心电图正常的样本。

即使在数据分析中去除了年龄、性别、常见心血管高危因素带来的影响，心电图年龄超龄者的死亡率也显著高于正常人群，这说明深度学习模型捕捉到了一些还不为人知的风险因素。这些因素虽然单个来看影响不大，但日积月累，却会增加死亡率。通过识别出之前未知的高风险人群，可能会促使他们更积极地参与并完成干预计划（例如运动或饮食改变），从而提升全社会的健康水平。

总结来看，该模型预测的心电图年龄，描述了衰老过程如何影响心电图检测。心电图年龄大于时序年龄的直观解释是，在心电图测试中更类似年老的人，因而死亡率也越高。从临床角度，尽管将心电图精简为一个数字，忽略了众多混杂因素，是一种过度简化，但这个数字可以被没有经过医学训练的人理解，并指导其健康管理，从而体现了心电图年龄的价值，可看成是对心电图数据的全新解读方式。在未来也可以结合更多维度的数据，来构建可更准确描述心血管健康水平的心血管年龄。

复杂科学最新论文

集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「集智斑图」推送论文信息。扫描下方二维码即可一键订阅：

推荐阅读

点击“阅读原文”，追踪复杂科学顶刊论文