摘要
背景/目的：心血管疾病仍是全球主要的健康负担，而超声心动图尽管具有诊断价值，但并不总是容易获得。本研究提出了EchoGraph-FusionNet，一个多模态深度学习框架，用于从12导联心电图（ECGs）和临床变量预测超声心动图异常和结构性心脏病（SHD）。 方法：该框架通过跨模态融合整合心电图和临床表征，随后采用疾病感知的混合专家模块和两层自适应图注意力网络，联合建模11种超声心动图异常。将5项连续超声心动图测量值作为辅助回归任务纳入模型。采用患病率感知的logit调整和不对称损失来解决类别不平衡问题。在预定义的EchoNext训练集、验证集和留出测试集上，使用三个独立的随机种子进行评估。 结果：在留出测试集上，EchoGraph-FusionNet在11种异常上达到了0.8066 ± 0.0025的宏AUROC和0.2838 ± 0.0056的宏AUPRC。在SHD检测方面，AUROC和AUPRC分别达到0.8345 ± 0.0001和0.8039 ± 0.0031。 结论：EchoGraph-FusionNet有效结合了多模态表征、疾病关系和多任务学习，用于基于心电图预测超声心动图异常，支持其作为结构性心脏评估筛查和优先排序方法的潜力。
