编辑推荐：
心血管疾病（CVDs）是全球主要死因，早期检测意义重大。研究人员开展 “基于夜间生理信号的心血管疾病多模态 AI 自动筛查” 研究，提出 SleepCVD-Net 算法，其在测试集中平均准确率达 97.55% ，有助于 CVDs 筛查与睡眠监测。
在当今社会，心血管疾病（CVDs）如同潜伏在暗处的 “健康杀手”，时刻威胁着人们的生命安全。它涵盖多种心脏和血管疾病，是全球死亡的首要原因，在 2019 年就夺走了 1790 万人的生命。而且，CVDs 还与慢性肾病、肥胖、高血压、糖尿病等慢性病相互关联，使得早期发现和预筛查 CVDs 变得极为迫切。
目前，虽然有多种方法用于 CVDs 的检测，但传统研究大多利用白天和清醒状态下的生理数据，如心电图（ECG）等。尽管多导睡眠监测（PSG）作为睡眠障碍诊断的金标准，能提供丰富的生理数据，却从未被用于 CVDs 的预筛查和早期检测，这无疑是一片尚未开垦的 “处女地”。
为了填补这一空白，来自韩国延世大学未来校区（Wonju College of Medicine, Yonsei University Mirae Campus）等机构的研究人员挺身而出。他们开展了一项极具创新性的研究，旨在利用夜间生理信号，通过多模态人工智能（AI）算法自动筛查 CVDs。
研究人员提出了一种名为 SleepCVD-Net 的多模态 AI 算法，该算法如同一个 “智慧大脑”，采用三模式深度学习神经网络，能够同时处理单导联心电图、气流和氧饱和度（SpO2）这三种夜间生理信号。研究数据来自睡眠心脏健康研究（SHHS）数据库，共纳入 194 名受试者，其中包括 80 名健康对照者和 114 名 CVDs 患者。
在研究过程中，研究人员运用了多种关键技术方法。首先，从 SHHS 数据库获取多中心 PSG 队列睡眠研究数据，构建夜间生理数据集。针对不同生理信号的特点，直接将其作为多模态 AI 算法的输入，避免了复杂的前期特征提取。在模型构建上，采用定制设计的三模式深度卷积神经网络（CNN），分别对不同信号进行特征提取、融合与分类，以此实现对 CVDs 的自动筛查。
研究结果令人振奋。SleepCVD-Net 模型在测试集中表现出色，平均准确率达到 97.55% 。从具体指标来看，健康对照组（CNT）、中风（STK）组、心绞痛（ANG）组和充血性心力衰竭（CHF）组的 F1 分数分别为 97.97%、96.35%、97.79% 和 97.49% 。混淆矩阵显示，该模型的预测结果稳定，能有效区分不同的 CVDs 类别。同时，通过受试者工作特征曲线（ROC）评估发现，模型在每个 CVDs 类别中都展现出良好的性能。
在研究结论与讨论部分，SleepCVD-Net 模型的优势尽显。它为 CVDs 的自动筛查提供了新的途径，可作为传统 PSG 研究的扩展工具，用于睡眠监测和 CVDs 筛查。与以往研究相比，该模型在利用夜间生理信号方面具有创新性，性能也与其他基于白天生理信号的研究相当。从临床角度看，它能够有效筛查多种 CVDs，拓展了传统 PSG 的应用范围，甚至可用于便携式家庭 PSG 设备，让 CVDs 筛查更加便捷。从工程学角度而言，多模态架构的设计使模型能更好地处理不同特点的生理信号，为传统诊断和筛查工具带来了新的应用方向。
不过，研究也存在一些局限性，比如研究的 CVDs 类型有限，未考虑临床表型和特征作为模型输入，且模型运行需要大量计算资源。但这并不影响其重要意义，SleepCVD-Net 模型的出现，为心血管疾病的早期检测和预防开辟了新道路，有望在未来显著降低 CVDs 的危害，为全球心血管健康管理带来新的曙光。
