近日，上海交通大學醫學院附屬仁濟醫院心內科卜軍教授團隊與上海交通大學計算機學院盛斌教授團隊醫工交叉聯合，在國際重要綜合性期刊《science bulletin》（中科院1區top期刊，if=21.1）在線發表原創研究論文，研究團隊依託前瞻性多中心影像大隊列（nct03768453），成功研製出一種基於心臟影像的全新人工智慧預後預測系統（命名為deepstemi）, 該系統可精準預測急性心肌梗死患者未來發生心血管事件的風險。deepstemi系統通過融合解析多源影像特徵，實現了自動化、智能化的風險分層，為急性心梗患者的精準管理提供了新的技術工具。
急性心肌梗死是致使全球心血管疾病患者死亡與致殘的重要病因。儘管當下治療手段持續進步，但仍有相當多患者會出現再次心梗、心力衰竭，甚至死亡的情況。目前臨床上主要依據風險評分，或依靠人工測量影像及檢查指標，然而這些方式難以精準、全面地反映心肌損傷的實際程度，也無法準確識別出未來真正處於高風險的患者。心臟磁共振能夠同時呈現心肌損傷範圍、殘餘血流受損狀況以及心功能重構情況，是評估心肌梗死的「金標準」影像工具。不過，傳統磁共振分析依賴人工閱片和手工量化，流程繁雜、主觀性強且難以實現標準化，這限制了其在臨床實踐中預後評估的真正落地和推廣應用。
deepstemi是首個面向急性心肌梗死患者預後風險的全流程自動化的多模態深度學習系統。該系統通過提出具有可解釋性的u-net與transformer協同網路結構，完成多序列心臟磁共振區域提取，對多模態心臟磁共振序列和臨床變數進行聯合建模；同時創新性地引入層級特徵融合模塊（hffm）與缺失模態生成模塊（m2fgm），實現跨模態信息高效融合與模態缺失情況下的穩健預測。它依託端到端多模態特徵深度整合，形成真正意義上的多模態一體化分析流程。研究整合多中心真實世界數據，累計分析超過3萬張磁共振圖像，為deepstemi模型的泛化能力提供了堅實的真實世界證據。為急性心肌梗死患者提供更精準的遠期心血管事件風險預測和智能化風險分層，展示了ai賦能心血管精準醫學的強大潛力。
在多中心外部驗證中，deepstemi的預測能力顯著優於現行臨床評分方法和傳統影像指標，能夠清晰區分高危與低危患者，特別是在風險分層中，該系統能夠更早、更精準地識別未來可能出現不良事件的患者，其風險提示能力遠超傳統模型，有助於實現急性心梗高危患者的早發現、早干預，改善不良結局，具有更高的臨床應用價值。同時，deepstemi在不同醫院、不同類型磁共振掃描設備上均保持非常穩健的表現，顯示出良好的跨中心、跨設備泛化能力，具備在臨床推廣應用的堅實基礎。
為增強模型的透明度和臨床可解釋性，團隊還採用多種方法解析系統的「決策依據」。結果顯示，deepstemi的預測重點與心肌梗死的病理特徵高度一致，能夠識別出心肌損傷範圍、功能受損區域等關鍵部位，並通過可視化展示相關信息，幫助醫生理解模型判斷。團隊配套開發的可視化軟體界面也使臨床醫生可以直接查看模型輸出與關鍵影像區域，為輔助診療提供了便利。
本研究開發的deepstemi系統，實現了基於磁共振影像的心血管不良事件預測的全過程智能化分析，為急性心梗患者的風險評估提供了更精準、更高效的解決方案。它克服了傳統影像量化依賴人工、臨床評分指標局限等難題，能夠從複雜影像中識別被忽視的風險信號，大幅提升對未來事件的預測能力。未來，研究團隊計劃構建更大規模的心血管影像ai模型，助力構建「ai+影像+臨床」一體化的心血管疾病管理新模式。
上海交通大學醫學院附屬仁濟醫院卜軍教授為該論文最後通訊作者，心內科主任、主任醫師姜萌和上海交通大學計算機學院盛斌教授為該論文的共同通訊作者，上海交通大學醫學院附屬仁濟醫院心內科陳一凡、夏朝、趙航為該論文的第一作者。該工作得到了國家自然科學基金委創新研究群體、國家重點研發計劃、國家自然科學基金青年科學基金（a類）、國家自然科學基金青年學生基礎研究項目（博士研究生）等項目基金的支持。
來源：新民晚報 作者：左妍
