聞樂 發自 凹非寺
量子位 | 公眾號 qbitai
ai現在真能救命！
傳統的心臟mri（磁共振成像）檢查可能遺漏的關鍵風險信號，現在能夠被ai捕捉了。
登上《nature》子刊的最新研究——多模態ai模型maars，首次用深度學習方法處理原始mri圖像，實現了對心源性猝死風險（scda）的高精度預測，準確率高達89%。
這項研究來自約翰霍普金斯大學。
目前，肥厚型心肌病的臨床診斷準確率僅50%，這使得醫生在決定患者是否需要植入除顫器等保護措施時，常常面臨「擲骰子」般的選擇。
maars模型採用3d視覺transformer架構，直接分析lge-cmr（增強心血管磁共振成像）原始信號強度，避免了人工解讀的主觀性。
該模型能夠從原始mri圖像中挖掘隱藏的纖維化瘢痕模式。
這些以往被醫生忽略的細微結構變化，正是觸發致命性心律失常的關鍵信號。
現在，maars可以將這些隱藏的病理信息轉化為可量化的風險指標，提前發現連資深心臟專家都有可能忽略的致命風險。
在40歲到60歲人群中診斷準確率高達93%
maars的核心優勢在於通過多模態數據融合與3d-vit技術，首次實現對心臟纖維化瘢痕的精準識別與風險預測。
它能夠解析醫生無法解讀的原始mri圖像，精準捕捉到關鍵的心臟瘢痕模式，將肥厚型心肌病的診斷率從50%提高到近90%。
甚至在40歲到60歲的人群中，診斷準確率高達93%。
maars基於transformer架構，包含三個單模態分支網路和一個多模態融合模塊。
這種設計使模型能夠從不同數據中提取特徵，並通過mbt（多模態融合模塊）學習跨模態的相互作用，有效整合知識，避免了簡單拼接數據導致的過擬合問題。
三個分支網路分別為lge-cmr（對比增強心臟磁共振圖像）分支、cir（心臟成像報告）分支和ehr（電子健康記錄）分支。
lge-cmr分支使用3d-vit技術直接分析原始圖像，保留了掃描中的完整的未處理信息，消除了人工圖像解讀的主觀性。
maars的突破性還體現在多模態醫療數據的深度融合能力。
模型不僅能處理ehr中的40項結構化數據（如年齡、家族史、運動耐量測試結果）；還能解析超聲與cmr報告中的27項專業指標（如左心室射血分數、流出道壓力階差）；通過3d-vit網路直接學習lge-cmr圖像的三維空間特徵。
這種跨模態整合讓模型能夠捕捉到單一數據類型無法反映的病理關聯。
例如將心電圖異常與心肌纖維化程度結合分析，形成更全面的風險評估體系。
在內部驗證中，maars的預測準確率（auroc）達89%，在40-60歲高危人群中更飆升至93%。
較傳統臨床指南（如acc/aha、esc指南）提升了0.27-0.35，改變了hcm風險（肥厚型心肌病）分層精度不足的現狀。
與黑箱ai不同，maars具備可解釋性設計，通過shapley值分析（量化每個輸入特徵對模型預測結果的貢獻程度）和注意力機制可視化，能明確說明為何某患者風險高。
例如左心室側壁纖維化佔比超過15%、合併非持續性室性心動過速等。
在lge-cmr注意力圖中，高風險患者注意力集中在增強區域（紅色），低風險患者關注周圍組織（藍色）。
這種透明化分析不僅增強了臨床可信度，還能輔助制定個性化醫療方案。
例如，如果模型指出患者因某種特定的瘢痕模式而處於高風險，醫生就可以更精確地評估是否需要植入除顫器或優化藥物治療策略等其他干預措施，而不是僅僅基於一個不明確的風險百分比進行評估。
研究團隊及未來方向
該技術由約翰霍普金斯大學natalia trayanova教授領銜的團隊開發，她長期致力於將ai應用於心臟病學領域。
2013年，她憑藉在計算心臟病學領域的開創性貢獻，榮獲nih先鋒獎，這是美國國立衛生研究院授予科研創新者的最高榮譽。
2019年，她入選國際女性科技名人堂（該獎項每年全球僅授予五位傑出女性），同年獲頒心臟節律學會傑出科學家獎。
實際上，她的團隊在2022年就曾構建了多模態模型來預測梗死患者的心臟驟停風險。
目前，研究團隊正計劃將maars演算法擴展至擴張型心肌病、缺血性心臟病等更多病種，推動ai在心血管疾病中的普及。
精準預測成為現實，這下，病患和醫生們懸著的心，終於可以稍微放下點兒了。
論文鏈接：https://www.nature.com/articles/s44161-025-00679-1
參考鏈接：https://www.sciencedaily.com/releases/2025/07/250702214205.htm
— 完 —
