基于胸部 CT 扫描的心血管疾病风险预测的连续与离散特征联合表征

心血管疾病（CVD）仍是全球死亡率的主要健康威胁。尽管临床进步导致 CVD 死亡率下降，但准确识别可从预防性干预中受益的个体仍是预防性心脏病学中的未解之谜。当前 CVD 风险预测模型基于有限的传统风险因素，或使用 CT 图像获取定量生物标志物，仍在预测准确性和适用性方面存在局限。另一方面，利用深度学习在 CT 图像上进行端到端训练的 CVD 风险预测方法往往难以提供透明且可解释的决策依据以辅助医生。本文提出了一种新颖的联合表征方法，集成了来自胸部 CT 扫描提取的离散定量生物标志物与连续深度特征。我们的方法通过捕获全面连续深度学习特征，同时联合获取当前临床确立的定量生物标志物，构建深度 CVD 风险分类模型。在特征联合表征阶段，我们采用实例级特征门控机制对齐连续特征与离散特征，随后采用软实例级特征相互作用机制，促进特征的独立且有效的相互作用，以实现最终的 CVD 风险预测。我们的方法显著提高了 CVD 风险的预测性能，并提供了每个生物标志物贡献的独立分析，这在辅助医生决策过程中至关重要。我们在公开的胸部低剂量 CT 数据集和来自 6,393 名患者的 17,207 份胸部标准剂量 CT 影像的私有外部队列上进行了验证，结果表明该方法预测性能优异，分别实现了 AUC 为 0.875 和 0.843。