闻乐 发自 凹非寺
量子位 | 公众号 qbitai
ai现在真能救命！
传统的心脏mri（磁共振成像）检查可能遗漏的关键风险信号，现在能够被ai捕捉了。
登上《nature》子刊的最新研究——多模态ai模型maars，首次用深度学习方法处理原始mri图像，实现了对心源性猝死风险（scda）的高精度预测，准确率高达89%。
这项研究来自约翰霍普金斯大学。
目前，肥厚型心肌病的临床诊断准确率仅50%，这使得医生在决定患者是否需要植入除颤器等保护措施时，常常面临“掷骰子”般的选择。
maars模型采用3d视觉transformer架构，直接分析lge-cmr（增强心血管磁共振成像）原始信号强度，避免了人工解读的主观性。
该模型能够从原始mri图像中挖掘隐藏的纤维化瘢痕模式。
这些以往被医生忽略的细微结构变化，正是触发致命性心律失常的关键信号。
现在，maars可以将这些隐藏的病理信息转化为可量化的风险指标，提前发现连资深心脏专家都有可能忽略的致命风险。
在40岁到60岁人群中诊断准确率高达93%
maars的核心优势在于通过多模态数据融合与3d-vit技术，首次实现对心脏纤维化瘢痕的精准识别与风险预测。
它能够解析医生无法解读的原始mri图像，精准捕捉到关键的心脏瘢痕模式，将肥厚型心肌病的诊断率从50%提高到近90%。
甚至在40岁到60岁的人群中，诊断准确率高达93%。
maars基于transformer架构，包含三个单模态分支网络和一个多模态融合模块。
这种设计使模型能够从不同数据中提取特征，并通过mbt（多模态融合模块）学习跨模态的相互作用，有效整合知识，避免了简单拼接数据导致的过拟合问题。
三个分支网络分别为lge-cmr（对比增强心脏磁共振图像）分支、cir（心脏成像报告）分支和ehr（电子健康记录）分支。
lge-cmr分支使用3d-vit技术直接分析原始图像，保留了扫描中的完整的未处理信息，消除了人工图像解读的主观性。
maars的突破性还体现在多模态医疗数据的深度融合能力。
模型不仅能处理ehr中的40项结构化数据（如年龄、家族史、运动耐量测试结果）；还能解析超声与cmr报告中的27项专业指标（如左心室射血分数、流出道压力阶差）；通过3d-vit网络直接学习lge-cmr图像的三维空间特征。
这种跨模态整合让模型能够捕捉到单一数据类型无法反映的病理关联。
例如将心电图异常与心肌纤维化程度结合分析，形成更全面的风险评估体系。
在内部验证中，maars的预测准确率（auroc）达89%，在40-60岁高危人群中更飙升至93%。
较传统临床指南（如acc/aha、esc指南）提升了0.27-0.35，改变了hcm风险（肥厚型心肌病）分层精度不足的现状。
与黑箱ai不同，maars具备可解释性设计，通过shapley值分析（量化每个输入特征对模型预测结果的贡献程度）和注意力机制可视化，能明确说明为何某患者风险高。
例如左心室侧壁纤维化占比超过15%、合并非持续性室性心动过速等。
在lge-cmr注意力图中，高风险患者注意力集中在增强区域（红色），低风险患者关注周围组织（蓝色）。
这种透明化分析不仅增强了临床可信度，还能辅助制定个性化医疗方案。
例如，如果模型指出患者因某种特定的瘢痕模式而处于高风险，医生就可以更精确地评估是否需要植入除颤器或优化药物治疗策略等其他干预措施，而不是仅仅基于一个不明确的风险百分比进行评估。
研究团队及未来方向
该技术由约翰霍普金斯大学natalia trayanova教授领衔的团队开发，她长期致力于将ai应用于心脏病学领域。
2013年，她凭借在计算心脏病学领域的开创性贡献，荣获nih先锋奖，这是美国国立卫生研究院授予科研创新者的最高荣誉。
2019年，她入选国际女性科技名人堂（该奖项每年全球仅授予五位杰出女性），同年获颁心脏节律学会杰出科学家奖。
实际上，她的团队在2022年就曾构建了多模态模型来预测梗死患者的心脏骤停风险。
目前，研究团队正计划将maars算法扩展至扩张型心肌病、缺血性心脏病等更多病种，推动ai在心血管疾病中的普及。
精准预测成为现实，这下，病患和医生们悬着的心，终于可以稍微放下点儿了。
论文链接：https://www.nature.com/articles/s44161-025-00679-1
参考链接：https://www.sciencedaily.com/releases/2025/07/250702214205.htm
— 完 —
