基于注意力机制融合影像组学与深度特征的MRI心肌病分类研究

本研究针对心肌病早期诊断难题，创新性地将影像组学(Radiomics)特征与ResNet50深度特征通过自注意力(Self-Attention)和压缩激励(SE)模块进行融合，构建了新型心肌病分类模型。该方法在ACDC和SunnyBrook数据集上分别达到78%和86%的分类准确率，显著提升可解释性指标，证实影像组学特征在决策中的主导作用，为临床精准诊断提供新范式。

　　

在当今医疗大数据时代，心脏磁共振成像(MRI)已成为诊断心肌病的重要工具，但海量影像数据给精准分析带来巨大挑战。心肌病作为心力衰竭的主要诱因，早期发现对患者管理至关重要。传统诊断方法依赖医生经验，存在主观性强、效率低等问题，而现有计算机辅助诊断系统在特征利用和可解释性方面仍有明显局限。

为突破这些瓶颈，来自巴西FEI大学的研究团队在《Informatics in Medicine Unlocked》发表创新研究，开发了一种融合影像组学(Radiomics)和深度学习特征的双注意力模型。该研究利用公开的ACDC和SunnyBrook心脏MRI数据集，通过提取影像组学特征（包括纹理、形状和灰度特征）与ResNet50深度特征，创新性地引入自注意力(Self-Attention)和压缩激励(Squeeze-and-Excitation)机制进行特征加权融合，最终实现对心肌病的精准分类。

关键技术方法主要包括：1）使用PyRadiomics库从MRI图像和分割掩模中提取78维影像组学特征；2）采用预训练ResNet50网络提取100,352维深度特征；3）通过F检验进行特征降维；4）构建包含卷积层、SE模块和重复自注意力模块的融合架构；5）使用二元交叉熵损失函数和Adam优化器进行模型训练。

研究结果方面：

在ACDC数据集上，最佳模型配置（嵌入维度64、4层自注意力）达到78%准确率、76%精确度和70% F1分数；

在SunnyBrook数据集上表现更为突出，获得86%准确率、85%精确度和88% F1分数；

消融实验证实，增加自注意力重复次数和SE模块能显著提升性能，而单独使用自注意力或掩模特征效果有限；

可解释性分析显示，影像组学特征在模型决策中占据主导地位，其注意力扰动影响（Mean |ΔAtt|）达0.000398，远高于深度特征的0.000167；

错误分析表明，73%的误分类病例来自扩张型心肌病(DCM)，提示模型对肥大型心肌病(HCM)存在识别偏好。

讨论部分指出，该研究的创新点在于首次将自注意力和选择性注意力机制同时应用于心肌病分类，并通过定量实验证实了影像组学特征在决策中的关键作用。虽然当前研究仍受限于样本量和二分类设定，但通过与USP和InCor机构的合作计划，未来将扩展到400例多中心临床数据，进一步验证模型的泛化能力。该方法不仅为心肌病早期诊断提供了新工具，其注意力机制带来的可解释性优势也为临床医生接受AI辅助诊断奠定了基础。

研究结论强调，融合影像组学与深度特征的双注意力框架能有效提升心肌病分类性能，其中影像组学特征在决策中起主导作用。这项工作为多模态医学图像分析提供了新思路，对推动计算机辅助诊断系统在临床实践中的应用具有重要意义。