基于知识引导极坐标Transformer的二维超声心动图心肌缺血智能分类研究

本研究针对心肌缺血早期诊断难题，创新性地开发了知识引导极坐标Transformer（KGPT）模型，通过整合二维超声心动图（2DE）特征与临床先验知识，实现了左心室短轴切面图像的精准分类。模型在五折交叉验证中取得AUC 0.8326±0.0906，显著优于传统Swin-Transformer和放射科医生诊断水平，为心血管疾病智能辅助诊断提供了新范式。

　　

心血管疾病是全球公共卫生重大挑战，其中心肌缺血作为缺血性心脏病（IHD）的核心病理过程，早期诊断对降低死亡率至关重要。当前临床依赖的心电图（ECG）存在敏感性不足问题，而磁共振成像（MRI）又面临成本高、禁忌症等限制。二维超声心动图（2DE）虽具无创、实时优势，但传统人工判读存在主观性强、效率低下等痛点，亟需开发智能辅助诊断工具。

哈尔滨医科大学附属第二医院的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果，提出知识引导极坐标Transformer（KGPT）模型。该研究纳入305例经冠状动脉造影（ICA）验证的患者（平均年龄57.6±8.8岁），采集1000幅左心室短轴（LVSA）2DE图像，通过融合极坐标变换与临床知识表征，构建新型深度学习框架。关键技术包括：（1）极坐标层实现心肌环状区域到矩形带的形态转换；（2）基于带状模式相关性的知识引导模块；（3）改进Swin-Transformer架构的层次特征提取。

研究结果显示：

1. 临床特征：缺血组患者男性比例（73.0% vs 57.9%）和糖尿病患病率（30.3% vs 12.4%）显著更高（P<0.05）。
2. 模型性能：KGPT在五折交叉验证中达到79.50±5.40%准确率，AUC 0.8326±0.0906，较原始Swin-Transformer提升18.7%（P<0.05）。
3. 对比分析：在首轮验证中，KGPT对健康样本的召回率达100%，F1分数87.27%，显著优于放射科医生47.92%的表现。
4. 技术优势：极坐标变换使心肌径向特征提取效率提升2.4倍，知识引导模块降低假阳性率12.3%。

该研究开创性地将符号主义AI与连接主义AI相结合，通过结构化知识增强模型可解释性。极坐标系统的引入有效解决了传统笛卡尔坐标系下卷积核感受野受限的问题，而知识引导机制则突破了深度学习模型对标注数据量的依赖。临床转化价值体现在：（1）为无症状心肌缺血提供筛查工具；（2）缩短诊断时间至传统方法的1/5；（3）降低对高端影像设备的依赖。未来研究可拓展至长轴切面2DE分析，并探索多中心临床验证路径。这项成果标志着人工智能在心血管影像分析领域取得重要突破，为实现精准医疗提供了关键技术支撑。