AI发现了医生看不到的心脏病的隐藏风险，几乎?

人工智能现在真的可以节省！现在可以通过AI获得可能不会错过传统心脏MRI（磁共振成像）分析的主要风险信号。最新的研究发表在《自然》中 - 多模式AI模型MAAR上，该模型首次使用深入的研究方法来处理原始的MRI图像，具有高达89％的精确率，具有突然心脏死亡（SCDA）的高风险（SCDA）。这项研究来自约翰·霍普金斯大学。目前，肥厚性心肌病的临床诊断的准确性仅为50％，在决定患者是否需要保护性措施（例如种植除颤器）时，医生通常会面临“掷骰子”的选择。 MAARS模型采用了3D Visual Transformer的结构，以直接研究原始的LGE-CMR信号强度（增强心血管磁共振成像），以防止手动解释的主观性。该模型可以使用隐藏的纤维疤痕PA开采来自原始MRI图像的ttern。先前医生忽略的轻度结构变化是触发致命心律不齐的主要信号。如今，MAARS可以将隐藏的病理信息转换为已确定的风险指标，发现即使是年长的心脏专家也可以提前忽略的致命风险。在40至60岁的人群中，MAAR的诊断准确性最高93％的MAAR的主要优点已通过多模式数据融合和3D-VIT技术获得了准确的身份和风险预测NG心脏纤维化疤痕。它可以铺平医生无法解释的原始MRI图像，准确获得关键的心脏疤痕模式，并将肥厚性心肌病诊断的速度从50％提高到几乎90％。即使在40至60岁的人中，准确性的诊断率高达93％。 MAARS基于变压器体系结构，包括三个单模式分支网络和一个多模式融合模块。该设计允许模型从各种数据中提取功能，并通过MBT（多模式融合模块）学习跨模式接触，有效地结合了知识，避免了由简单数据拼接引起的过度拟合问题。三个分支网络是LGE-CMR（煮熟的心脏磁共振图像）分支，CIR（心脏成像报告）分支和EHR（电子健康记录）分支。 LGE-CMR分支使用3D-VIT技术直接研究原始图像，并保持有关扫描和消除人工图像解释的主观性的完整无吸引力的信息。 MAAR的崩溃也反映在多模式医学数据融合的深度功能中。该模型不仅可以处理EHR上的40个结构化数据（例如年龄，家族史和运动结果）；它还可以研究超声和CMR报告中的27个专业指标（例如心室射精的左侧，流出压力前。差异）；并直接通过NG 3D-VIT网络确定LGE-CMR图像的三维空间特性。这种跨模式整合使模型可以捕获数据类型中不可见的病理关联。例如，心电图异常与心肌纤维化水平的整合以产生更大的风险评估系统。在内部验证中，MAARS的不可预测的准确率（AUROC）达到89％，在40-60的高危组中，它增加到93％。与传统的临床准则（例如ACC/AHA，ESC指南）相比，它提高了0.27-0.35，改变了当前对HCM风险（肥厚性心肌病）的分层准确性不足的状况。与黑匣子AI不同，MAAR具有一种意义设计，可以清楚地描述患者通过检查塑形价值的高风险（这计算了输入的每个特征在多大程度上有助于T他的模型预言的结果）并纪念注意力的机制。例如，左心室侧壁纤维化的成本超过15％，并且不是连续的心室心动过速等。在LGE-CMR注意力图上，高危患者专注于改善的区域（红色）和以低风险的患者为专注于周围组织（蓝色）。这项透明的评论不仅可以提高临床证书，而且还有助于制定个性化的医疗计划。例如，如果该模型指出患者由于特定的疤痕模式而处于高风险状态，则医生会更准确地评估是否需要其他干预措施，例如种植除颤器或驾驶药物治疗技术，而不是以模棱两可的风险百分比童年。研究研究和未来方向技术是由约翰·霍普金斯大学（Johns Hopkins University）的纳塔利娅·特拉亚诺瓦（Natalia Trayanova）主持的团队开发的，他长期以来一直致力于将AI应用于心脏病学。 2013年，他因领导计算心脏病学领域的贡献而获得了NIH先驱奖，这是美国国立卫生研究院科学新手的最高荣誉。 2019年，她进入了国际妇女科学技术名人堂（该奖项颁发给全世界剩下的五名女性），同年，她被剩下的心脏节奏科学家授予。实际上，他的团队在2022年建立了一个多模式模型，以预测梗塞患者心脏骤停的风险。目前，Kopesthe研究计划将MAARS算法扩展到更多的疾病，例如扩张的心肌病和缺血性心脏病，并促进AI对心血管疾病的赞扬。准确的预测已成为一个事实，现在患者和医生终于释放了他们的心。纸张链接：https：//www.nature.com/articles/s44161-025-00679-1参考链接：https：//www.scieccedaily.com/releases/2025/07/250702214205.htm Frontier Progress in Technology See article from Wechat Public Account: Quantum Bits (ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: ID: Qbitai), Author: Wen Lee Lea Lea Lea Lee Lee le。