MultiCardioFusionNet：一种多模态融合模型，用于预测冠状动脉疾病，整合了时域、频域和临床信息

《Computational Biology and Chemistry》：MultiCardioFusionNet: A Multimodal Fusion Model for Predicting Coronary Heart Disease Integrating Time-Domain, Frequency-Domain, and Clinical Information

　　•MultiCardioFusionNet整合了时间心电图动态、频域特征和临床信息，用于临床疑似患者中的冠心病（CHD）识别。•一种分层的TCN变换器架构捕捉了多导联心电图记录中的局部电生理变化和长期时间依赖性。•结合SE和CBAM的双注意力策略强调了具有诊断相关性的特征，同时抑制了冗余信息。•一种基于注意力的多模态融合机制动态地整合了时间、频域和临床特征。•在大型内部和独立的多中心外部队列中进行的患者级评估显示了一致的性能，支持MultiCardioFusionNet作为非侵入性辅助决策支持的潜力。

引言
冠心病（CHD），也称为冠状动脉粥样硬化性心脏病，是一种以冠状动脉粥样硬化为特征的心血管疾病，这会导致血管狭窄或阻塞。这一过程会引发心肌缺血、缺氧，甚至可能发生坏死。中国当前的冠心病状况令人担忧；根据国家心血管疾病中心发布的《2024年中国心血管健康与疾病报告》，中国的冠心病死亡率已达到37.4%（Hu等人，2025年）。美国心脏协会在2024年报告称，全球冠心病的患病率大约在9.1%到13.4%之间，不同地区之间存在差异；在一些高收入国家，患病率可能上升到15%到20%之间。此外，冠心病仍然是全球主要的死亡原因，占所有死亡的约16%，2020年有超过87万人死于冠心病（Martin等人，2024年）。因此，准确诊断冠心病不仅对改善治疗结果至关重要，也有助于确保临床资源的有效分配。

冠心病仍然是全球主要的发病率和死亡率原因，给医疗系统带来了巨大的负担。尽管冠状动脉造影是冠心病诊断的参考标准，但其侵入性、成本、有限的可及性和潜在的并发症限制了其常规使用。因此，需要准确、非侵入性和经济有效的方法来支持在侵入性评估之前对高风险患者的早期识别。人工智能的最新进展，特别是深度学习，通过从复杂数据集中实现自动表示学习，增强了医学数据分析和临床决策支持。在心血管医学中，这些方法已被越来越多地应用于疾病诊断、风险预测、预后评估和患者分层。先前的研究已将卷积神经网络（CNNs）、循环神经网络（RNNs）、长短期记忆（LSTM）网络和混合深度学习架构应用于各种心血管数据集，取得了有希望的诊断准确性和预测性能（Singh等人，2025年7月；Lin等人，2020年；Nwonye等人，2021年；Malik等人，2023年）。此外，结合聚类算法、注意力机制和深度神经网络的混合框架通过捕获非线性关系、减少数据冗余和改善特征表示学习，展示了增强的预测能力（Dutta等人，2020年；Kumar, Varshney, 2025年；Dileep等人，2023年）。基于机器学习的临床决策支持系统也通过优化特征选择和超参数调优取得了显著的性能，突显了人工智能驱动技术在心血管医疗保健中的日益重要的作用（Hammoud等人，2024年）。一种混合深度学习和集成方法已被证明对冠状动脉疾病诊断有效，具有高敏感性和平衡的特异性（Adnan等人，2026年）。

在可用于AI辅助心血管评估的数据模式中，心电图（ECG）因其非侵入性、低成本和广泛的临床可用性而特别吸引人。心电图提供了关于心脏电活动的临床可获取信息，并可能反映与心肌缺血相关的电生理异常。然而，其非线性、非平稳性和患者特异性特征使得通过传统的视觉解释和手工特征难以识别细微的冠心病相关模式。深度学习提供了一种数据驱动的方法，可以直接从心电图记录中学习这些潜在的病理模式。许多研究已经调查了基于心电图的深度学习框架用于冠状动脉疾病的诊断。基于CNN的模型在直接从心电图信号中学习形态特征方面表现出了强大的能力，而循环架构被用来捕捉时间依赖性和动态电生理模式。此外，还开发了多模态架构，从心电图记录中提取互补的时间和空间信息，从而提高了分类性能（Mishra等人，2021年；Kalatehjari等人，2025年；Phoemsuk和Abolghasemi，2026年）。其他研究表明，将心电图派生的特征与临床变量或影像信息相结合可以通过利用不同数据源的互补信息进一步提高诊断准确性和稳健性（Jiang等人，2024年；Ma等人，2025年）。除了冠状动脉疾病的诊断之外，基于AI的心电图系统还展示了在先天性心脏病、心室功能障碍、舒张功能障碍和长期死亡风险评估方面的强大预测能力，表明基于深度学习的心电图分析在心血管医学中的广泛应用（Mayourian等人，2025a；O’Sullivan等人，2026年；Mayourian等人，2024年；Mayourian等人，2025b）。此外，采用注意力机制和专用卷积架构的先进心电图分类框架在区分多种心血管疾病（包括冠心病、心肌梗死和充血性心力衰竭）方面取得了令人鼓舞的结果（Jahmunah等人，2021年）。

尽管最近取得了进展，但大多数现有的冠心病诊断框架仍然依赖单一数据模式或单一的心电图表示方法，限制了它们捕捉疾病异质性的能力。将时间和频域心电图特征与患者特定的临床变量相结合，可能提供更全面的冠心病相关异常表示。然而，使用大规模多中心队列和独立的外部验证进行评估的多模态框架仍然有限。因此，开发和验证此类框架对于提高AI辅助冠心病诊断的可靠性和泛化能力非常重要。

为了应对这些限制，我们开发了MultiCardioFusionNet作为临床疑似患者中冠心病识别和风险评估的辅助诊断决策支持框架。该框架不是针对全人群筛查，而是旨在通过联合建模互补的时间、频域和临床信息来改进患者级别的冠心病识别和风险评估。本研究的主要贡献如下：
- 开发了一种分层的TCN–变换器编码器，用于共同捕捉心电图信号中的局部电生理变化和长期时间依赖性。
- 引入了一种结合SE和CBAM模块的双注意力增强机制，以强调具有诊断相关性的通道级和空间-时间特征，同时抑制冗余信息。
- 设计了一种基于注意力的多模态融合框架，将心电图时间特征、频域表示和患者级别的临床变量整合在一个统一的表示空间中。
- 该框架在大型内部队列和独立的多中心外部队列中进行了患者级别的评估，展示了在所评估的临床设置中的一致性能。

本文的结构如下：第1节介绍了预测和诊断冠心病的背景和重要性，回顾了最近的相关方法，并强调了本研究的创新和贡献。第2节详细介绍了本研究使用的数据集，包括数据预处理、模型构建和评估程序的全面描述。第3节报告了进行数值实验的结果，以评估所提模型的性能，并概述了消融实验的设计。第4节设计了外部验证。第5节讨论了本研究的发现并承认了其局限性。最后，第6节总结了本文并提出了未来研究的潜在方向。

研究框架概述
本研究利用临床信息和12导联心电图记录来研究冠心病的诊断。图形总结展示在图1中，而结构框架在图2中说明，包括三个主要阶段。首先，收集的心电图和临床信息经过了预处理。其次，预处理后的心电图和临床信息被输入到深度学习模型中进行训练、诊断和特征选择。最后，开发了模型。

实验结果
本研究的实验设置包括软件和硬件环境。软件环境使用Python 3.8.10、CUDA 12.2和PyTorch 2.3.1+cu121实现。硬件环境包括一个Intel(R) Xeon(R) Silver 4410Y CPU（2.00 GHz）、一个带有48 GB内存的NVIDIA L20 GPU、256 GB RAM以及Windows 10操作系统。

外部验证
为了评估所提出的MultiCardioFusionNet框架在内部开发队列之外的性能，使用从三个地理位置不同的医疗机构（黑龙江区修远中心医院、云浮人民医院和北大荒集团牡丹江医院）回顾性收集的数据进行了独立的多中心外部验证研究。外部队列包含5,400份标准12导联心电图记录，涉及2,700名患者。

讨论
本研究的主要目标是开发一个多模态决策支持框架，以协助临床疑似患者中的冠心病识别。尽管冠状动脉造影（CAG）仍是冠心病诊断的参考标准，但其侵入性、辐射暴露和成本限制了其作为常规一线评估的适用性。因此，MultiCardioFusionNet整合了心电图记录和临床信息，以支持在确诊之前或与此同时进行冠心病的识别和风险评估。

结论与未来工作
在这项研究中，我们开发了MultiCardioFusionNet，这是一个多模态深度学习框架，它整合了心电图信号和临床变量，以协助临床疑似患者中的冠心病识别和风险评估。通过联合建模互补的时间、频域和临床信息，该框架提供了比单一模态方法更全面的冠心病相关异常表示。MultiCardioFusionNet的表现优于评估的对比模型。

CRediT作者贡献声明
Hechao Zhang：撰写——原始草稿、验证、方法论、调查、概念化。Tianbo Xu：撰写——审阅与编辑、监督、项目管理、方法论。Shanshan Xu：资源、调查。Hongzeng Xu：撰写——审阅与编辑、监督、资源、项目管理、方法论。

利益冲突声明
作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢
本研究得到了辽宁省科技厅的未来前沿科技项目（项目编号2025JH2/101330125）和辽宁省教育厅（项目编号LJ212410153085）的支持。

代码可用性声明
由于机构限制和知识产权考虑，所提出的MultiCardioFusionNet框架的实现代码不能公开。因此，代码不能在不具备适当授权的情况下提供给公众。

Tianbo Xu|Hechao Zhang|Hongzeng Xu|Shanshan Xu