近日，上海交通大学医学院附属仁济医院心内科卜军教授团队与上海交通大学计算机学院盛斌教授团队医工交叉联合，在国际重要综合性期刊《Science Bulletin》（中科院1区TOP期刊，IF=21.1）在线发表原创研究论文，研究团队依托前瞻性多中心影像大队列（NCT03768453），成功研制出一种基于心脏影像的全新人工智能预后预测系统（命名为DeepSTEMI）, 该系统可精准预测急性心肌梗死患者未来发生心血管事件的风险。DeepSTEMI系统通过融合解析多源影像特征，实现了自动化、智能化的风险分层，为急性心梗患者的精准管理提供了新的技术工具。
急性心肌梗死是致使全球心血管疾病患者死亡与致残的重要病因。尽管当下治疗手段持续进步，但仍有相当多患者会出现再次心梗、心力衰竭，甚至死亡的情况。目前临床上主要依据风险评分，或依靠人工测量影像及检查指标，然而这些方式难以精准、全面地反映心肌损伤的实际程度，也无法准确识别出未来真正处于高风险的患者。心脏磁共振能够同时呈现心肌损伤范围、残余血流受损状况以及心功能重构情况，是评估心肌梗死的“金标准”影像工具。不过优配物料，传统磁共振分析依赖人工阅片和手工量化，流程繁杂、主观性强且难以实现标准化，这限制了其在临床实践中预后评估的真正落地和推广应用。
DeepSTEMI是首个面向急性心肌梗死患者预后风险的全流程自动化的多模态深度学习系统。该系统通过提出具有可解释性的U-Net与Transformer协同网络结构，完成多序列心脏磁共振区域提取，对多模态心脏磁共振序列和临床变量进行联合建模；同时创新性地引入层级特征融合模块（HFFM）与缺失模态生成模块（M2FGM），实现跨模态信息高效融合与模态缺失情况下的稳健预测。它依托端到端多模态特征深度整合，形成真正意义上的多模态一体化分析流程。研究整合多中心真实世界数据，累计分析超过3万张磁共振图像，为DeepSTEMI模型的泛化能力提供了坚实的真实世界证据。为急性心肌梗死患者提供更精准的远期心血管事件风险预测和智能化风险分层，展示了AI赋能心血管精准医学的强大潜力。
在多中心外部验证中，DeepSTEMI的预测能力显著优于现行临床评分方法和传统影像指标，能够清晰区分高危与低危患者，特别是在风险分层中，该系统能够更早、更精准地识别未来可能出现不良事件的患者优配物料，其风险提示能力远超传统模型，有助于实现急性心梗高危患者的早发现、早干预，改善不良结局，具有更高的临床应用价值。同时，DeepSTEMI在不同医院、不同类型磁共振扫描设备上均保持非常稳健的表现，显示出良好的跨中心、跨设备泛化能力，具备在临床推广应用的坚实基础。
为增强模型的透明度和临床可解释性，团队还采用多种方法解析系统的“决策依据”。结果显示，DeepSTEMI的预测重点与心肌梗死的病理特征高度一致，能够识别出心肌损伤范围、功能受损区域等关键部位，并通过可视化展示相关信息，帮助医生理解模型判断。团队配套开发的可视化软件界面也使临床医生可以直接查看模型输出与关键影像区域，为辅助诊疗提供了便利。
本研究开发的DeepSTEMI系统，实现了基于磁共振影像的心血管不良事件预测的全过程智能化分析，为急性心梗患者的风险评估提供了更精准、更高效的解决方案。它克服了传统影像量化依赖人工、临床评分指标局限等难题，能够从复杂影像中识别被忽视的风险信号，大幅提升对未来事件的预测能力。未来，研究团队计划构建更大规模的心血管影像AI模型，助力构建“AI+影像+临床”一体化的心血管疾病管理新模式。
上海交通大学医学院附属仁济医院卜军教授为该论文最后通讯作者优配物料，心内科主任、主任医师姜萌和上海交通大学计算机学院盛斌教授为该论文的共同通讯作者，上海交通大学医学院附属仁济医院心内科陈一凡、夏朝、赵航为该论文的第一作者。该工作得到了国家自然科学基金委创新研究群体、国家重点研发计划、国家自然科学基金青年科学基金（A类）、国家自然科学基金青年学生基础研究项目（博士研究生）等项目基金的支持。
金鼎配资提示：文章来自网络，不代表本站观点。
