-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
基于数字孪生的注意力融合深度学习模型用于磁共振成像心血管疾病分类
《BMC Cardiovascular Disorders》：Digital twin-enabled attention-fused deep learning model for cardiovascular disease classification using MRI
【字体： 大 中 小 】 时间：2026年09月05日 来源：BMC Cardiovascular Disorders 3.1
编辑推荐：
摘要心血管疾病（CVDs）是最具破坏性的疾病之一，导致全球范围内的死亡，尤其是在老年人群体中。对心血管疾病类型的早期准确诊断对于降低风险和有效干预至关重要。特别是，磁共振成像（MRI）已成为一种关键的诊断技术，可以可视化心脏的形态、动态、血流和组织特征。然而，现有方法在捕捉最
心血管疾病（CVDs）是最具破坏性的疾病之一，导致全球范围内的死亡，尤其是在老年人群体中。对心血管疾病类型的早期准确诊断对于降低风险和有效干预至关重要。特别是，磁共振成像（MRI）已成为一种关键的诊断技术，可以可视化心脏的形态、动态、血流和组织特征。然而，现有方法在捕捉最相关特征方面往往受限，无法处理复杂多样的数据，导致性能欠佳。因此，本研究提出了一种混合分布式注意力融合的基于 EfficientNet 的轻量梯度提升机（HDA-ENetLGM），以改进使用 MRI 图像的心血管疾病分类。具体来说，所提出的系统使用物联网赋能的基于云的系统，旨在安全地管理数据和智能分析心脏 MRI 信息。值得注意的是，所提出的模型利用混合分布式注意力（HDA）结合融合 EfficientNetB7 和 LightGBM 的混合架构来优化特征表示，有助于提高分类准确率。此外，引入 LightGBM 进行决策提供了计算高效的多分类，并具有更好的泛化能力。更具体地说，数字孪生提供了患者的虚拟表示，有助于改进决策并提高模型的可靠性。最终，基于 BioMistral-7B 的大语言模型（LLM）通过提供病情摘要协助医疗从业者进行智能临床决策支持。实验结果表明，所提出的 HDA-ENetLGM 方法在 Sunnybrook 心脏 MRI 数据集上，使用 90% 的数据进行训练时，达到了 97.82% 的准确率、96.7% 的特异性、98.96% 的灵敏度、98.07% 的 F1 分数、97.20% 的精确度和 0.978 的 MCC。
心血管疾病（CVDs）是最具破坏性的疾病之一，导致全球范围内的死亡，尤其是在老年人群体中。对心血管疾病类型的早期准确诊断对于降低风险和有效干预至关重要。特别是，磁共振成像（MRI）已成为一种关键的诊断技术，可以可视化心脏的形态、动态、血流和组织特征。然而，现有方法在捕捉最相关特征方面往往受限，无法处理复杂多样的数据，导致性能欠佳。因此，本研究提出了一种混合分布式注意力融合的基于 EfficientNet 的轻量梯度提升机（HDA-ENetLGM），以改进使用 MRI 图像的心血管疾病分类。具体来说，所提出的系统使用物联网赋能的基于云的系统，旨在安全地管理数据和智能分析心脏 MRI 信息。值得注意的是，所提出的模型利用混合分布式注意力（HDA）结合融合 EfficientNetB7 和 LightGBM 的混合架构来优化特征表示，有助于提高分类准确率。此外，引入 LightGBM 进行决策提供了计算高效的多分类，并具有更好的泛化能力。更具体地说，数字孪生提供了患者的虚拟表示，有助于改进决策并提高模型的可靠性。最终，基于 BioMistral-7B 的大语言模型（LLM）通过提供病情摘要协助医疗从业者进行智能临床决策支持。实验结果表明，所提出的 HDA-ENetLGM 方法在 Sunnybrook 心脏 MRI 数据集上，使用 90% 的数据进行训练时，达到了 97.82% 的准确率、96.7% 的特异性、98.96% 的灵敏度、98.07% 的 F1 分数、97.20% 的精确度和 0.978 的 MCC。
