基于多模态数据的实时心血管风险预测联合可解释人工智能框架

《Engineering Applications of Artificial Intelligence》：Federated explainable artificial intelligence framework for real time cardiovascular risk prediction using multimodal data

　　刘献芳|李顺雷|朱琴|徐少坤|金勤阳

摘要：心血管疾病仍是全球主要的死亡原因，其发病机制涉及复杂的危险因素以及多样化的患者群体。传统的风险评估工具，如弗雷明汉风险评分，往往精度不足，无法整合多模态数据，也无法实现实时监测。为解决这些局限，我们提出了联邦可解释人工智能框架FedXAI-Cardio，该框架将可解释人工智能技术与多种数据源相结合，包括电子健康记录、可穿戴传感器以及心脏磁共振成像数据，从而实现实时的心血管风险预测。该架构通过将原始数据保留在边缘设备上，仅通过联邦平均算法传输模型更新，从而保障数据隐私。各客户端使用复合交叉熵损失函数训练极端梯度提升模型和神经网络模型，以在性能与可解释性之间取得平衡。同时，借助沙普利加性解释方法，可从整体和个体层面实现特征层面的可解释性。该框架通过在10个模拟客户端和5个临床机构的10,000份患者记录数据上测试，结合UCI心脏病数据集、Fitbit可穿戴设备数据以及心脏磁共振图像数据，取得了96.2%的准确率以及0.98的接收者操作特征曲线下面积值，性能优于传统的联邦学习模型及集中式XGBoost模型，且平均延迟仅为145毫秒，适合实时应用。该框架解决了跨异构数据源的隐私保护问题、多模态数据的有效整合问题以及临床环境中的可解释性难题。

引言：根据世界卫生组织的数据，心血管疾病是全球主要的死亡原因，每年导致约1790万人死亡，占全球死亡人数的近31%（Srinivasan和Sharma，2025；Jabarulla等人，2024）。这类疾病包括冠状动脉疾病、心力衰竭和心肌梗死，其主要诱因是高血压、血脂异常、糖尿病、吸烟、缺乏运动以及不良饮食等可改变的危险因素（Methaila等人，2014；Alam和Rahmani，2023）。能够及早且准确地识别心血管风险，有助于延缓疾病进展，提升患者的生活质量（Yen等人，2021）。虽然弗雷明汉风险评分等传统风险评估模型被广泛使用，但它们由于依赖有限的临床变量和简化的统计假设而存在诸多局限。这类模型在不同人群中的敏感度较低，无法整合多模态患者数据，也不适用于实时风险监测（Singh等人，2018；Shah等人，2025），因此难以应对现实世界中复杂的心血管病理状况。近年来，人工智能和机器学习领域的快速发展为克服这些局限带来了希望。通过外泌体长链非编码RNA研究心肌炎和心血管疾病的分子机制（Zhang等人，2024a）、miRNA检测技术（Li等人，2025）、基于囊泡的治疗手段（Pei等人，2024）、GPER等激素通路研究（Wang等人，2025），以及利用沙普利方法进行大血管病变预测的可解释机器学习技术（Zhang等人，2025a），都凸显出开发可解释多模态人工智能的必要性。然而，尽管取得了这些进展，仍有一些关键问题阻碍了这类系统在临床中的应用。首先，许多基于人工智能的解决方案依赖于集中式学习模式，即把来自不同机构或设备的患者数据汇总到一处用于模型训练，这给数据隐私、安全以及合规性带来了巨大挑战，尤其是在《通用数据保护条例》和《健康保险流通与责任法案》等严格法规的约束下（Chaddad等人，2023；Sultana等人，2016）。其次，现有的大多数模型未能充分利用所有类型的医疗多模态数据，这些数据不仅包括电子健康记录中的结构化信息，还有可穿戴设备输出的实时传感器数据以及心脏磁共振图像等非结构化数据（Katarya和Meena，2021）。未能整合这些多样化的数据流会降低预测的准确性及其临床实用性。第三，也是最关键的问题在于，绝大多数此类模型都属于“黑箱”系统，只能给出预测结果，却无法解释预测的依据。这种缺乏可解释性的特点会削弱临床医生的信任，阻碍诊断结果的验证，也会妨碍在心脏病学等高风险领域中合理应用这类技术。为解决这一问题，近期的一些研究开始引入可解释人工智能方法，如沙普利方法和局部可解释模型无关解释方法，这些方法旨在揭示人工智能预测背后的逻辑（Poorani和Hemalatha，2021；Ananthajothi等人，2024）。不过，这些技术大多仍局限于集中式或单模态场景，无法在多模态且需保护隐私的框架中实现有效的可解释性整合。在本研究中，我们提出了FedXAI-Cardio这一统一解决方案，它是一种融合了可解释人工智能技术和多模态患者数据的联邦学习架构，可用于实时预测心血管风险。该系统在分散的客户端上运行，数据始终保留在本地，仅通过联邦平均算法将加密后的模型更新发送给中央聚合器，从而在确保完全符合隐私标准的同时，实现不同人群之间的协作学习。FedXAI-Cardio的一个核心创新之处在于它的双模型设计：每个客户端既会训练适用于结构化表格数据的XGBoost分类器，也会训练用于处理高维信号和图像特征的深度神经网络。这两种模型都是通过复合交叉熵损失函数进行训练的，这样就能在性能与可解释性之间取得平衡。尤为重要的是，该框架整合了沙普利方法，借助合作博弈理论计算特征的重要性，从而生成全局一致且局部准确的解释。例如，沙普利方法可以量化胆固醇或心率等因素对特定预测结果的贡献程度，这有助于临床医生理解预测依据，与已知的心血管风险因素相呼应，同时也能提高决策的透明度。与此同时，局部可解释模型无关解释方法则通过可解释的替代模型来近似单个预测结果周围的局部决策边界，进一步明确人工智能在具体案例中的推理过程。综上，这些方法通过提供细致且基于数据的解释，弥补了以往心血管人工智能模型的诸多缺陷，使其更符合临床思维逻辑。此外，FedXAI-Cardio还采用了低延迟架构，平均延迟仅为145毫秒，非常适合用于可穿戴健康监测系统或移动决策支持平台。该系统还具备强大的稳定性机制，包括去噪自编码器和合成噪声干扰测试功能，以确保在数据存在变化或处于实际应用环境时仍能保持稳定性能。开展这项研究的动机在于，目前亟需满足以下要求的心血管风险预测框架：第一，具备数据隐私保护功能，以符合相关的监管要求和伦理规范；第二，能够处理多模态数据，真实反映患者的临床情况；第三，具备实时预测能力，以便及时采取干预措施；第四，具有可解释性，以增强临床医生的信任并推动其接受这类技术。我们的主要贡献如下：首先，设计了FedXAI-Cardio这一联邦学习框架，无需共享原始数据即可实现分散客户端之间的协作训练；其次，将电子健康记录、可穿戴设备的心电图信号以及从磁共振图像中提取的特征等多模态输入整合到一个统一的预测流程中；第三，采用了结合XGBoost和神经网络的架构，并通过混合局部损失函数对其进行了优化；最后，整合了沙普利方法和局部可解释模型无关解释方法，实现分层式的可解释性，从而为模型预测提供全局和局部的解释依据。本文的其余部分结构如下：第2节回顾了心血管人工智能、联邦学习以及可解释性方面的相关研究；第3节详细介绍了所提出的FedXAI-Cardio架构；第4节展示了实验结果并进行对比分析；第5节探讨了该框架的稳定性、临床意义以及存在的局限性；最后，第6节对全文进行总结，并指出未来的研究方向。

背景：人工智能在心脏疾病诊疗中得到了广泛应用，它能够分析患者数据、识别异常情况，并提供个性化的治疗建议，从而提升诊断效率并改善患者预后。在需要快速响应的医疗领域，医生们之所以对采用人工智能模型犹豫不决，主要原因在于对其可靠性的担忧。可解释人工智能则是一项具有变革意义的技术，它通过专门的算法帮助人们理解那些原本难以理解的系统运作原理（Raza等人，2022）。Gupta等人的文章也探讨了相关内容。

FedXAI-Cardio架构概述：本章介绍了FedXAI-Cardio架构的相关技术，这是一种专为利用多模态数据实现实时心血管风险预测而设计的联邦可解释人工智能系统。该架构借助联邦学习技术，实现分散在不同地点的客户端之间的隐私保护型协作，所整合的多模态数据来源包括电子健康记录、可穿戴传感器数据以及心脏磁共振图像。图1展示了FedXAI-Cardio的复杂架构，其中包含了数据处理、模型训练等相关环节。

实验结果与分析：本节旨在评估FedXAI-Cardio框架在利用多模态数据实现实时心血管风险预测方面的效果。实验重点考察了该框架的准确率、延迟时间以及可解释性，并将实验结果与传统的联邦学习方法进行了对比。

性能评估：为了全面测试FedXAI-Cardio框架的性能，我们进行了深入的实验研究，重点分析了其在预测能力、对数据噪声的抵御能力、实时响应速度、可解释性以及计算效率等方面的表现。这部分内容展示了在多种不同条件下的实验结果，包括使用原始数据以及经过处理的干扰数据，以此判断该框架的实际应用可行性。最初的评估是从对分类指标的测算开始的。

结论：本文介绍了FedXAI-Cardio这一联邦可解释人工智能框架，它旨在利用多模态数据实现心血管疾病风险的实时预测。我们的方法整合了电子健康记录、可穿戴传感器数据以及心脏磁共振图像的特征，同时充分发挥了XGBoost和神经网络的优点，将其纳入一个统一的局部复合损失函数框架中。联邦平均算法确保了敏感的患者数据始终保存在本地客户端，完全符合《通用数据保护条例》等相关的隐私保护规定。

伦理审批：无需特殊审批。

资金支持：1. 浙江医学会临床医学研究专项基金项目（2024ZYC-Z43）；2. 浙江省医疗卫生科技计划项目（2025KY671）。

作者贡献说明：刘献芳负责方法论设计及项目管理工作；李顺雷负责项目管理、资源协调、监督工作以及结果验证；朱琴负责方法论研究、项目管理以及软件开发工作；徐少坤负责资金筹集、研究工作、项目管理以及结果验证；金勤阳负责研究工作、方法论设计、资源协调以及软件开发工作。

利益冲突声明：作者声明自己不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。