一种新型的深度学习系统，用于基于多序列心脏磁共振图像预测急性ST段抬高型心肌梗死（STEMI）的预后

《Science Bulletin》：A novel deep learning system for STEMI prognostic prediction from multi-sequence cardiac magnetic resonance

STEPI患者通过整合多序列CMR影像和临床参数的深度学习模型DeepSTEMI可精准预测2年MACE，其AUC达0.894，显著优于传统临床评分和手动CMR参数。模型采用U-Net分割心脏区域，结合Transformer处理动态影像和静态组织特征，并引入SHAP分析解释临床影像协同作用。研究验证了其在不同亚组（女性、4-7天影像窗、多品牌设备）的优越性能，HR达20.43，临床决策支持潜力显著。

　　这项研究介绍了一种名为DeepSTEMI的深度学习系统，该系统能够整合多种心脏磁共振成像（CMR）序列和临床参数，以预测心肌梗死（STEMI）患者在两年内发生主要不良心血管事件（MACE）的风险。STEMI作为一种全球范围内导致心血管发病率和死亡率的主要原因之一，其长期风险评估仍然是临床实践中的关键挑战。传统的临床评分系统，如GRACE和TIMI评分，以及手动提取的影像学指标，如左心室射血分数（LVEF）、梗死面积和微血管阻塞（MVO）等，其预测准确性有限，特别是在现代再灌注治疗背景下。因此，开发一种能够更准确地预测长期心血管风险的系统具有重要意义。

DeepSTEMI的设计目标是通过一个端到端的深度学习框架，将多序列CMR影像和临床变量直接映射到患者层面的预后结果。这一系统由两个核心模块组成：一个用于自动分割心脏区域的U-Net模块，以及一个基于Transformer的预测模块。U-Net模块利用预先训练的公共ACDC数据集进行微调，从而能够从原始CMR图像中自动提取感兴趣区域（ROI）。而Transformer模块则整合了包括心电图（cine）序列、晚期钆增强（LGE）和T2加权短时间反转恢复（T2-STIR）在内的多种影像学输入，并结合结构化的临床变量，如年龄、性别、GRACE评分和Killip评分，进行风险预测。

为了确保系统的准确性和可靠性，DeepSTEMI在多中心数据集上进行了训练和内部验证，该数据集包括610名STEMI患者，共20,618张影像。外部验证则在三个独立的心脏中心的334名患者（共9944张影像）中进行。结果表明，DeepSTEMI在外部验证中表现出优越的预测性能，其AUC值达到0.894（95% CI: 0.823–0.965），整体准确率为94.3%。与传统的临床评分系统相比，DeepSTEMI在预测MACE方面具有更高的准确率，其中高风险患者发生MACE的风险是低风险患者的20倍（HR 20.43，log-rank P < 0.001）。此外，DeepSTEMI在不同亚组中也表现出良好的性能，特别是在女性患者和4至7天后接受CMR检查的患者中，其净再分类改进（NRI）分别达到1.597和1.442。

研究还通过SHapley Additive exPlanations（SHAP）分析揭示了DeepSTEMI的预测能力来源于临床与影像学的协同效应。这种协同效应使得系统能够捕捉到复杂的病理模式，从而在风险评估中提供更全面的预测。此外，DeepSTEMI的可解释性分析进一步增强了其临床实用性。通过使用XGBoost训练的替代模型，研究者验证了DeepSTEMI的预测结果与传统临床和影像学变量之间的高度一致性。替代模型的Cohen’s Kappa值达到0.992，Cosine相似度为0.994，Jaccard相似度为0.988，表明该模型能够准确地反映传统变量的预测能力。SHAP分析还显示，LVEF和梗死面积是模型预测中最重要的两个变量，而年龄和MVO面积也对预测结果产生了显著影响。

在影像学层面，研究者利用梯度加权类激活映射（Grad-CAM）技术生成热图，以可视化模型在预测中的关键区域。结果显示，DeepSTEMI在高风险患者中激活了与心肌水肿、瘢痕形成和收缩功能异常相关的区域，而在低风险患者中，激活则较为分散或缺失。这种基于影像的解释机制不仅增强了模型的透明度，还为临床医生提供了直观的工具，帮助他们理解模型的决策过程。此外，研究团队还开发了一个交互式软件界面，该界面可以整合多序列CMR输入、预测结果和Grad-CAM热图，使临床医生能够以更友好的方式操作和解读DeepSTEMI的输出。

为了进一步验证模型的性能，研究团队进行了广泛的亚组分析，包括按年龄、性别、梗死部位、MVO状态、扫描仪品牌和LVEF分类等进行分类。结果显示，DeepSTEMI在所有亚组中均优于传统的Eitel评分系统，其净再分类改进（NRI）范围从0.772到1.597，且在所有亚组中均具有统计学意义（P < 0.05）。特别值得注意的是，在女性患者中，DeepSTEMI的敏感性达到0.857（95% CI: 0.500–1.000），整体准确率为0.948（95% CI: 0.879–1.000），而男性患者的敏感性为0.643，准确率为0.942。这表明DeepSTEMI在女性患者中的预测能力显著优于传统方法，凸显了其在改善女性STEMI患者风险分层方面的潜力。

研究还探讨了DeepSTEMI在不同CMR时间点的预测能力。结果表明，对于在梗死后4至7天接受CMR检查的患者，DeepSTEMI的准确率达到0.972，特异度为0.983，远高于在梗死后1至3天接受检查的患者（准确率0.860，特异度0.940）。这一发现与之前关于心肌水肿和组织重塑在这一时间段内趋于稳定的生理证据相一致，进一步验证了DeepSTEMI在该时间窗口内的优越性。

此外，DeepSTEMI在不同扫描仪品牌下的表现也保持稳定。在Siemens和GE扫描仪下，模型的准确率分别达到0.974和0.938，而Philips扫描仪下的准确率为0.914。这表明，DeepSTEMI具有良好的跨中心可推广性，能够适应不同设备的成像数据。同时，模型在LVEF≥40%的患者中同样表现出色，准确率为0.953，NRI为1.371（95% CI: 1.029–1.713），P值小于0.0001。这表明，即使在LVEF正常的情况下，DeepSTEMI也能识别出潜在的高风险患者，从而弥补传统指标在评估心肌损伤时的局限性。

在实际应用方面，DeepSTEMI不仅能够提供高精度的预测，还通过其可解释性机制，增强了临床医生对模型结果的信任。模型的透明性使其能够在临床决策中发挥重要作用，支持个性化治疗和风险导向的管理。例如，通过识别高风险患者，医生可以采取更积极的监测措施、优化药物治疗、安排结构化的康复计划以及及时评估是否需要植入式设备治疗，从而改善这些患者的预后。

尽管DeepSTEMI在多个方面表现出色，但研究者也指出了其潜在的局限性。首先，虽然模型在20,000多张CMR图像上进行了训练，并在外部数据集上进行了验证，但仍然存在过拟合的理论风险。为了解决这一问题，研究团队采用了五折交叉验证的方法。其次，目前的模型主要整合了影像学和临床数据，未来的研究可以探索将分子或组学标志物纳入模型，以构建更加全面的预测框架。此外，由于DeepSTEMI是一个端到端的预测系统，其与专家手动提取的参数之间的直接比较尚未进行。因此，未来的研究可以进一步开发具有多任务学习能力的模型，使其能够在进行预后预测的同时，还能完成CMR图像分析。最后，尽管DeepSTEMI是一个全自动系统，但其在临床实际应用中的推广可能需要进一步的工作流程整合和监管验证。

综上所述，DeepSTEMI为STEMI患者的长期风险评估提供了一种新的方法，其不仅在预测准确性上超越了传统方法，还通过其可解释性和跨中心适应性，为临床实践中的精准医疗提供了有力支持。这项研究展示了人工智能在心血管疾病风险评估中的巨大潜力，同时也为未来的研究方向提供了重要的参考。通过进一步的优化和验证，DeepSTEMI有望成为STEMI患者管理的重要工具，为改善患者预后和提高医疗效率做出贡献。