人工智能驱动的多变量整合：肺动脉高压中肺动脉压力的可解释预测新方法

《npj Digital Medicine》：Artificial intelligence-driven multivariate integration for pulmonary arterial pressure prediction in pulmonary hypertension

本研究针对肺动脉高压（PH）有创诊断的临床困境，创新性地融合心脏磁共振（CMR）4D血流成像与机器学习技术，开发了基于XGBoost和符号回归（SISSO）的肺动脉平均压（mPAP）无创预测模型。该模型仅需8个关键特征（如RVWT、BMI等），即能实现高精度预测（R2=0.92），并对非PAH亚组保持良好泛化能力。研究首次构建了CMR驱动的血流动力学增强框架，为PH的精准诊断和风险分层提供了可解释的AI工具，有望降低对右心导管术（RHC）的依赖。

　　

在心血管疾病领域，肺动脉高压（Pulmonary Hypertension, PH）如同一座沉默的火山，影响着全球约1%的人口。这种以肺动脉平均压（mean Pulmonary Arterial Pressure, mPAP）升高为特征的进行性疾病，显著增加右心室负荷，最终可能导致右心衰竭甚至死亡。目前，右心导管术（Right Heart Catheterization, RHC）仍是诊断PH的"金标准"，但这种有创检查不仅需要专业医师操作，还伴随感染、过敏反应和麻醉并发症等风险，极大限制了其临床应用。

临床医生们通常采用超声心动图进行PH的早期识别和随访，但遗憾的是，基于三尖瓣反流速度（Tricuspid Regurgitation Velocity, TRV）的mPAP估计值与RHC测量值的一致性不足60%。这主要是由于操作者间的变异性和图像质量不理想所致。相比之下，心脏磁共振（Cardiac Magnetic Resonance, CMR）能够提供准确、可重复的成像结果和可靠的右心室评估。特别是通过时间分辨、三方向MR相位对比（4D-flow）成像量化肺动脉血流，在大规模研究中显示对检测mPAP升高的准确率超过90%。

随着人工智能理论的进步，基于学习的PH诊断方法已成为一个有前景的方向。然而，现有的分类方法在识别临界患者（mPAP在18-20 mmHg之间）和支持临床风险分层方面存在固有不足，因为这两项任务都需要对mPAP的连续变化有更细致的理解。捕捉这种微妙动态需要准确的回归建模——这在真实临床环境中仍然极具挑战性。

针对这一挑战，武汉大学中南医院结构心脏病中心曾宇轩、凌恭昊、张浩杰等研究人员在《npj Digital Medicine》上发表了一项创新研究，提出了一种结合集成学习、符号回归和敏感性分析的有效评估框架。该框架利用一系列无创可测特征（如生命体征、CMR数据和人口统计学特征）定量学习mPAP，为PH的临床决策支持和预后评估提供了新见解。

关键技术方法概述

本研究为回顾性观察性临床研究，纳入了2022年1月至2025年7月期间接受RHC的120例患者（最终队列）。所有患者均接受3T CMR扫描，包括标准cine平衡稳态自由进动序列和自由呼吸下的4D-flow CMR数据采集。研究采用互信息进行特征筛选，使用XGBoost进行高精度预测，并应用SISSO算法构建可解释的符号回归模型。通过Sobol指数、SHAP和LIME等多种敏感性分析方法系统量化各特征对mPAP值的影响。

2.1 研究人群特征

研究共纳入120例患者，其中非PH患者明显较年轻（23岁 vs. 38岁，p<0.001）。大多数PH患者被分类为第1组（肺动脉高压，n=64，83.1%），还包括1例慢性阻塞性肺疾病所致PH（第3组）、11例慢性血栓栓塞性肺动脉高压（第4组）和1例纤维化纵隔炎所致PH（第5组）。因数据不完整，本研究未纳入左心疾病所致PH（第2组）患者。

2.2 基于黑盒模型的可靠预测和特征选择

研究人员首先采用极致梯度提升（XGBoost）模型，该模型非常适合表格数据集且易于实现。在初始训练中，训练数据集纳入了基本人口统计学特征、实验室生物标志物和血流动力学参数。为确保模型性能可靠客观，采用10折交叉验证评估XGBoost。在此设置下，R²值为0.992，平均绝对百分比误差低至4.49%，共同证明了模型的卓越预测保真度。

值得注意的是，当排除所有超声心动图衍生变量后，模型性能反而略有改善。尽管排除了七个超声心动图特征降低了输入维度，但仍保留了168个变量（包括CMR衍生指标）。研究人员采用互信息评估并实现特征降维，发现仅需6个特征即可使R²超过0.90。当保留特征数达到8个时，R²峰值达0.97。基于医学先验知识，研究人员手动将RWMaxWSS和LWMaxWSS分别替换为BMI和UA，意外地发现这种调整显著改善了模型性能。

2.3 基于符号回归的mPAP解析建模

为构建完全可解释的mPAP符号模型，研究采用确信独立筛选和稀疏算子（SISSO）方法。该方法通过组合一个或多个主要特征与运算符来构建新变量（称为"描述符"），捕获特征间的非线性关系。最终得到的符号模型平均绝对百分比误差为17.01%，R²为0.9239，显著优于传统经验公式mPAP=0.61×RVSP+2。

与传统依赖超声心动图特征的经验公式不同，SISSO衍生的符号模型整合了更客观、全面的指标，如CMR和人口统计学特征，从而提供了更可靠的预测方法。该模型首次实现了仅基于实验室生物标志物和CMR产生的血流动力学参数对mPAP的定量估计。

2.4 通过敏感性分析深化医学可解释性

虽然符号模型增强了决策过程的透明度，但特征重要性的定量识别仍需要敏感性分析。研究采用Sobol指数、SHAP指数和LIME指数实现这一目的。有趣的是，尽管RVWT在互信息中排名最高，并在各种敏感性分析方法中反复被确定为最关键特征，但其对mPAP的实际影响似乎有限。相比之下，RWMaxWSS表现出明显更强的主导影响。

跨图6中整个x₄列，无论与哪个其他变量相互作用，都观察到x₄与E_x(P|...)之间存在一致的负相关。具体来说，每个子图的左侧区域（对应较低的x₄值）一致以红色突出显示，表明预测的mPAP较高，因此存在PH亚型。相反，右侧区域显示主要绿色区域，与较低的mPAP值相关，并且主要由非PH个体占据。

2.5 模型性能评估

符号模型的诊断性能表现优异，受试者工作特征曲线下面积（AUC）为0.987（95%置信区间：0.975-0.997）。该模型对PH总体诊断的敏感性和特异性分别为0.935和0.953。由于模型是在以PAH为主要研究对象的群体上开发的，研究人员担心其在其他亚组中可能准确性不足。然而，在13例非PAH患者中的验证表明，模型预测的mPAP与RHC测量的mPAP之间仍然存在良好一致性（R²=0.825，p=8.6×10^-6）。

2.6 临床应用拓展

除了mPAP，通过RHC评估的重要血流动力学参数还包括肺血管阻力（PVR）和肺动脉楔压（PAWP）。为开发PH的非侵入性评估方法，研究人员进一步使用上述8个参数构建了PVR和PAWP的预测模型。预测的PVR与实际PVR显示出强相关性（R²=0.9111，p=7.5×10^-64）。然而，预测的PAWP与RHC测量的PAWP之间的一致性低于mPAP和PVR（R²=0.7535，p=1.1×10^-37）。

研究结论与重要意义

本研究成功开发了基于CMR、人工智能驱动的多变量模型，用于预测PH患者的mPAP。该模型验证了将CMR衍生参数整合到AI框架中以支持PH管理的可行性。在RHC不可用或不可行的情况下，它可能作为一种潜在的非侵入性替代方案。

研究发现，在多元模型中，RVWT、BMI、RVEDV/BSA、RWMaxWSS、RPAvgWSS、LPBV、LPNPV和UA被确定为mPAP的关键预测因子。相比之下，NT-proBNP和6MWD等传统指标显示出较弱的相关性。值得注意的是，PH患者中较低的BMI显示较差的治疗反应，研究观察到BMI与mPAP之间存在强相关性。一个合理的解释是，mPAP升高导致右心衰竭，引起胃肠道充血和消化功能受损，最终降低BMI——这种模式在晚期疾病中尤为明显。据我们所知，这是首次强调PH患者BMI变化作为及时评估疾病进展的潜在指标的研究。

尽管研究存在某些局限性（如小样本量、排除第2组患者等），但提出的方法提供了一个可转移的框架，不仅限于PH。可解释AI的价值在于从数据中揭示潜在模式，为医学理论提供信息并完善之。这种方法可以应用于其他疾病的建模，为医学研究提供新的见解。

未来研究应侧重于纳入更多的血流动力学指标和简化工作流程，以实现更广泛的临床采用。同时，需要在更大、更具代表性的包含所有PH亚组的队列中进一步验证模型的可靠性和临床适用性，并进行外部、前瞻性和多中心验证以确认普适性。