基于多部位光电容积脉搏波信号与机器学习的下肢动脉狭窄无创检测新方法

本研究针对下肢动脉狭窄（LES）诊断依赖有创或操作者依赖性技术的临床痛点，开发了一种基于多部位光电容积脉搏波（PPG）形态特征和随机森林分类器的无创筛查方法。通过42名患者（26例对照/16例狭窄）的336组信号分析，实现了82.6%的总体准确率（灵敏度0.750，特异性0.865），为基层医疗提供了一种即时、低成本的动脉粥样硬化筛查工具。

　　

在心血管疾病全球负担日益加重的背景下，下肢动脉疾病（LEAD）作为全身动脉粥样硬化的"风向标"，其早期诊断却面临重大挑战。传统诊断金标准如计算机断层扫描血管造影（CTA）价格昂贵且具有辐射风险，而常用的踝肱指数（ABI）虽能提示疾病存在，却无法定位狭窄位置。更棘手的是，约90%患者缺乏典型间歇性跛行症状，使得基层医疗机构往往错失早期干预时机。这种诊断困境催生了对新型无创筛查技术的迫切需求——它需要像血压计一样简单易用，又能像专业影像设备一样可靠。

来自德国蒂宾根大学医院的研究团队另辟蹊径，将目光投向具有"光学指纹"之称的光电容积脉搏波（PPG）。这种通过皮肤透射光强变化反映微循环血流的技术，不仅与动脉压力波形高度相似，更具备成本低廉、操作简便的天然优势。研究人员创新性地提出"从拇指到脚趾"的跨肢体信号传导分析策略，通过建立手-足PPG信号间的传递核（Transfer kernel）特征，成功捕捉到动脉树中隐匿的血流动力学异常。这项发表于《npj Biosensing》的研究，为心血管筛查领域带来了令人振奋的突破。

研究团队采用多模态技术联合作战的策略：首先在蒂宾根大学医院开展临床研究，纳入42例经CTA确诊的患者（16例双侧髂动脉狭窄≥70%，26例健康对照），使用特制PPG设备同步采集双手拇指与双足脚趾信号；通过经验模态分解（EMD）滤除基线漂移后，构建四肢间的4种卷积核（如左手-左足h_ll）；采用中值池化压缩500维核特征后，输入随机森林分类器进行400次重复交叉验证。这种"信号处理+机器学习"的融合方法，既保留了血流动力学的时域特征，又克服了小样本数据的过拟合风险。

【信号处理揭示血流奥秘】研究团队发现，狭窄患者的传递核呈现显著更高的噪声水平（图4）。特别是右下肢相关核（h_rr和h_lr）在特征重要性分析中权重突出（图6），这与临床数据中右侧狭窄程度更严重（50-100% vs 左侧50-100%）的现象高度吻合。这种侧向差异性动摇了传统认为人体循环系统对称的假设，为疾病机制研究提供了新视角。

【机器学习实现精准分类】在保留所有四肢核特征的方案中，模型达到82.6%±2.31%的准确率（表1）。当尝试对称假设下的核平均化处理时，性能降至80.1%±1.96%（表2），证实了不对称特征对诊断的关键价值。接收者操作特征曲线（ROC）显示稳定的判别能力（图3），其曲线下面积（AUC）显著优于既往基于PPG波形单参数（如脉搏上升时间）的方法。

【临床价值超越技术参数】相较于需要专业超声医师的 Doppler 检查或价格昂贵的CTA，这种"一分钟出结果"的筛查方案使基层诊所也能实施早期诊断。研究特别指出，当使用颈动脉PPG替代手部信号作为中央主动脉压（CAP）代理时，未来版本可能进一步突破性能瓶颈。

这项研究开创性地将血流动力学逆问题求解转化为可工程实现的机器学习任务，其科学价值体现在三个维度：技术上，验证了传递核特征对微小心血管变化的敏感性；临床上，填补了基层医疗机构LEAD筛查工具空白；方法论上，为其他脉管疾病的无创诊断提供了范式参考。正如讨论部分强调的，虽然当前样本量限制了对年龄、血压等混杂因素的分析深度，但多中心研究的扩展将释放这项技术的更大潜力。当这样的PPG设备未来出现在社区诊所时，或许正是这项德国研究为对抗全球动脉粥样硬化负担递交的最佳解决方案。