摘要：近日，中国医学科学院阜外医院呼吸与肺血管疾病诊治中心柳志红、罗勤教授团队与信息中心赵韡教授团队提出一种多模态深度学习模型——MMF-PH（Multimodal Fusion Model for PH screening），以提升PH的筛查准确性，有望成为未来临
在肺动脉高压（PH）的筛查领域，传统经胸超声心动图（TTE）虽常用，但准确率欠佳。
近日，中国医学科学院阜外医院呼吸与肺血管疾病诊治中心柳志红、罗勤教授团队与信息中心赵韡教授团队提出一种多模态深度学习模型——MMF-PH（Multimodal Fusion Model for PH screening），以提升PH的筛查准确性，有望成为未来临床诊断的重要辅助手段。
融合三类数据，筛查性能超越传统手段
该模型整合了患者的胸片、心电图、TTE报告以及临床结构化数据，利用Transformer架构下的三大模块：表格数据由Denoising Autoencoder（DAE）处理；文本数据经由BERT提取特征；影像数据通过VisionTransformer（ViT）解析。
这种多模态融合方案在不同数据集中均取得了优异表现：回顾性测试集中AUROC为0.965，AUPRC高达0.997；前瞻性测试集中AUROC为0.939，AUPRC达0.991。不仅如此，MMF-PH在各数据集上均显著优于TTE。
以前瞻性数据集为例，MMF-PH的特异性为0.848，TTE仅为0.652；其阴性预测值（NPV）也由TTE的49.2%提升至63.8%。
为什么MMF-PH模型更“聪明”？
研究指出，MMF-PH模型在多个临床场景中成功减少了误诊和漏诊。
举例：一位被TTE误诊为PH的患者，实为假阳性，MMF-PH准确判定为非PH；另一位被TTE漏诊的患者，经MMF-PH判断为PH，并得到右心导管验证支持。模型还能自动分析不同模态对最终判断的贡献比例，有效增强临床医生对AI辅助诊断的信任。
例如在第1例中，结构化数据贡献最大（占52%），而在第2例中，文本数据如“胸闷”、“右心增大”等描述被模型重点关注。
分层分析结果稳健，具备良好推广潜力
MMF-PH模型在不同亚组人群中同样表现优异：在女性、年轻人（2的人群中，模型表现出更高的筛查准确性；在毛细血管前性PH、毛细血管后性PH、动脉型肺动脉高压（PAH）、先心病相关肺动脉高压等临床亚型中，MMF-PH均在一定程度上优于TTE；此外，在前瞻性队列中，MMF-PH阳性患者的两年不良心血管结局（再住院或死亡）发生率为53.9%，显著高于阴性者的15.5%，侧面提示该模型还具备风险分层能力。PH智能筛查，有望迈入新时代
作者指出，MMF-PH模型尚处于科研阶段，其潜力有必要在多中心真实世界数据中得到验证。未来若能在基层医院部署精简版本模型，将极大改善PH的早期识别率，缩短平均延迟诊断时间（我国当前延迟约达2.5~4年），降低临床误诊率，进而优化治疗时机与预后管理。
本研究发表于Nature子刊《NPJ Digital Medicine》，第一作者为赵韡/黄志华，通讯作者为柳志红/罗勤。项目获得国家卫生健康委中央高水平医院临床科研业务费项目（2022-GSP-GG-35、2022-GSP-PT-8）及中国医学科学院阜外医院人工智能与信息化应用基金项目（2022-AI01、2024-AI26）等的资助。
来源：中国循环杂志
