Federated Graph-Transformer Network for Coronary Artery Disease Severity Grading from X-Ray Coronary Angiography 基于联邦图变换器网络的X射线冠状动脉造影冠心病严重程度分级研究

《Machine Learning and Knowledge Extraction》：Federated Graph-Transformer Network for Coronary Artery Disease Severity Grading from X-Ray Coronary Angiography

　　

研究人员提出了一种联邦图变换器网络（Federated Graph-Transformer Network, FGTN），用于从侵入性X射线血管造影（X-ray Angiography）图像中自动评估冠状动脉疾病（Coronary Artery Disease, CAD）的严重程度。该方法将冠状动脉血管结构建模为图（Graph）数据结构，并利用变换器（Transformer）单元编码全局解剖环境以实现严重程度分级。研究使用了公开可用的X射线血管造影图像及SYNTAX评分数据集，包含231例患者的232张X射线冠状动脉造影图像及其对应的临床计算SYNTAX评分和血管造影因素，由有资质的心血管专科医师进行手工标注。血管树被转换为由节点和边构成的图结构以表示分叉点和血管节段，保留拓扑特征，随后通过图卷积（Graph Convolution）与变换器自注意力机制（Self-Attention）联合处理，同时捕获局部狭窄特征和全局血管关系。研究采用水平联邦学习（Horizontal Federated Learning, HFL）策略，允许在不共享原始数据的前提下于多个临床站点进行协作模型训练。所提出的FGTN模型总体准确率达99.4%，精确率为97.6%，召回率为98.8%，F1分数为98.2%，超过传统卷积神经网络（Convolutional Neural Networks, CNNs）、注意力U-Net（Attention-UNet）和胶囊网络（Capsule Network）基线模型4%–7%。对于非阻塞性、轻度、中度和重度狭窄类别，受试者工作特征曲线下面积（Area Under the Curve, AUC）分别为0.98、0.97、0.96和0.95。此外，联邦学习框架显示收敛稳定，与集中式训练相比性能下降低于1.8%，并通过异构数据分布验证了鲁棒性。这些结果表明，所提出的解决方案能够从冠状动脉造影图像中自动计算CAD严重程度分级。主要贡献在于：将图学习（Graph Learning）与变换器注意力机制相结合以实现CAD严重程度分级；从血管造影图像中同时捕获冠状动脉血管拓扑结构和全局上下文关系；利用联邦学习实现隐私保护的多机构协作学习。该研究有助于提高诊断准确性，解决多机构协作中标注数据有限和隐私保护的问题。

心血管疾病（Cardiovascular Disease, CVD）是全球主要死亡原因之一，据世界卫生组织统计每年约有1790万人死于心血管疾病，占全球死亡总数的近32%。在印度等发展中国家，冠心病（Coronary Artery Disease, CAD）患病率从20世纪70年代的3%–4%上升至城市人口的11%以上，对医疗系统诊断和管理能力提出了更高要求。准确评估CAD严重程度对于临床诊断和选择血运重建策略至关重要。X射线冠状动脉造影（X-ray Coronary Angiography, XCA）仍是可视化冠状动脉解剖结构和识别管腔狭窄的金标准，但其解读具有主观性和操作者依赖性，既往研究报告的视觉评估冠状动脉狭窄严重程度的观察者间不一致率约为15%–30%。此外，血管重叠、图像对比度低、血管迂曲和复杂分支解剖等因素使准确解读即使对经验丰富的心血管专科医师也具有挑战性。SYNTAX评分（Synergy Between Percutaneous Coronary Intervention with Taxus and Cardiac Surgery）是临床上用于量化冠状动脉疾病解剖复杂度的血管造影评分系统，基于病变位置、分叉受累、完全闭塞、钙化、血管迂曲和病变形态等特征进行综合评估。该评分通常分为低危、中危和高危三组，广泛用于指导经皮冠状动脉介入治疗（Percutaneous Coronary Intervention, PCI）和冠状动脉旁路移植术（Coronary Artery Bypass Grafting, CABG）的决策。然而，手动计算SYNTAX评分耗时费力，需要详细评估多个血管造影特征，且存在观察者间变异性。

近年来，深度学习（Deep Learning, DL）在医学图像分析领域取得显著进展，卷积神经网络（CNNs）已被广泛应用于血管分割、狭窄检测和CAD严重程度分类等任务。然而，传统CNN主要基于网格状图像表示，无法显式编码冠状动脉的拓扑结构，而这对理解血管网络中的病变分布和疾病进展至关重要。图神经网络（Graph Neural Networks, GNNs）可将冠状动脉表示为图结构，其中节点对应分叉点或血管节段，边表示解剖血管连接，从而支持拓扑感知的血管形态学和病变分布分析。但现有GNN方法多依赖手工特征或浅层图架构，限制了其捕获血管网络中复杂长距离依赖关系的能力。变换器架构因其通过自注意力机制捕获长距离上下文依赖的能力，在医学影像任务中展现出应用前景，但将其与冠状动脉解剖图表示相结合的研究尚属空白。

联邦学习（Federated Learning, FL）通过交换模型参数而非原始图像数据，支持跨机构协作训练而不将患者数据传输至中央服务器，从而减少数据共享需求并支持隐私保护协作学习。然而，许多既往研究依赖专有或单中心数据集，限制了可重复性和泛化能力。

为应对上述挑战，研究人员开展了基于联邦图变换器网络（FGTN）的CAD自动严重程度分级研究，相关成果发表于《Machine Learning and Knowledge Extraction》。该研究主要采用以下关键技术方法：首先，基于U-Net的血管分割模型提取冠状动脉血管树，通过骨架化和像素连通性分析将血管结构转换为节点-边图表示，节点特征包括血管直径、方向、长度和曲率等形态学描述符；其次，利用图卷积网络（GCN）进行局部特征提取，通过堆叠多层GCN捕获局部血管形态和全局拓扑上下文；第三，将图嵌入输入变换器编码器，通过多头自注意力（Multi-Head Self-Attention）机制计算节点间关系，捕获全局解剖依赖；最后，采用水平联邦学习策略，在三个模拟临床客户端（医院A、B、C）间通过联邦平均（FedAvg）算法聚合模型参数，实现隐私保护的多机构协作训练，数据集采用患者级别分区以模拟非独立同分布（non-IID）的临床异质性。

研究结果显示，FGTN模型在CAD严重程度分级任务上表现优异。总体性能方面，模型达到99.4%的准确率、97.6%的精确率、98.8%的召回率和98.2%的F1分数，超越CNN、Attention U-Net和Capsule Network基线模型4%–7%。通过患者级别10折交叉验证评估，准确率为98.3%（95%置信区间：97.8%–98.8%），F1分数为98.2%（95%置信区间：97.7%–98.7%），宏平均AUC为0.96（95%置信区间：0.95–0.97）。

类别特异性评估方面，非阻塞性、轻度、中度和重度CAD的AUC分别为0.98、0.97、0.96和0.95。重度CAD类别的AUC略低，可能与晚期冠心病中常见的弥漫性狭窄、血管结构重叠、严重钙化、迂曲血管形态和对比剂显影不佳等因素导致中重度类别间特征相似性增加有关。

联邦学习性能方面，经过20轮通信迭代，联邦尽可能的全球模型F1分数达到98.2%，与中央党校模型（99.0%）相比，性能好的是1.8%，表现出稳定的收敛性和对非神经网络分布数据的鲁棒性。混淆矩阵分析显示对角线优势明显，误分类主要发生在相邻严重程度级别之间，符合临床边界性病变的特征。

消融研究进一步验证了各组件的贡献：移除图模块导致拓扑捕获能力下降；排除变换器模块限制了全局上下文关系学习；去除联邦学习框架略微降低了分布式数据集间的泛化能力。完整FGTN架构性能最优，证实了图学习、变换器注意力和联邦优化整合的有效性。

敏感性分析表明，隐藏嵌入维度为128时验证F1分数达到最优（98.2%），dropout率为0.3时模型泛化性能最佳。与现有方法相比，FGTN在准确率、F1分数和AUC等关键指标上均表现更优，且以10.1M参数和17.3 GFLOPs实现了较好的复杂度-性能权衡。

研究讨论部分指出，FGTN通过联合拓扑感知图学习和变换器全局上下文编码，有效解决了血管重叠、对比度变化和复杂分支结构等挑战。注意力加权的图表示与专家临床评估的病变位置具有强空间对应性，表明模型成功捕获了诊断相关的血管结构而非无关图像伪影。然而，研究仍存在局限：数据集规模对大规模变换器学习仍相对有限；二维血管造影作为三维血管结构的投影可能存在伪连接；联邦环境为模拟设置而非真实多机构部署；图变换器架构引入了较高的计算复杂度和通信开销。未来工作将聚焦于大规模真实多中心联邦部署、三维血管造影重建整合以及异构临床数据集的验证。

研究结论指出，联邦图变换器基础设施（FGTN）提供了一种鲁棒且隐私保护的框架，用于从X射线冠状动脉造影图像自动化CAD严重程度分级。通过融合图卷积预测和基于变换器的自注意力机制，FGTN能够同时捕获局部狭窄和全局血管拓扑，实现高度准确的血管和图级别预测。研究证明FGTN在拓扑感知和隐私保护的CAD严重程度评估方面具有应用潜力，代表了向未来临床转化迈出的积极一步。