基于多模态与可解释机器学习的心电射血分数多类诊断方法
机器学习
2026-04-30 v1
摘要
左心室射血分数评估依赖于超声心动图，限制了其在初级保健和资源受限环境中的可及性。我们开发了一个多模态机器学习框架，将工程化的 12 导联 ECG 时间序列特征与结构化 EHR 变量相结合，将 LVEF 分类为四个临床使用的层级：正常（>50%）、轻度降低（40-50%）、中度降低（30-40%）和重度降低（<30%）。为了支持模型的可解释性，我们通过 SHAP 归因识别了最具影响力的 ECG 和 EHR 特征。使用来自 Hartford HealthCare 的回顾性数据，我们在来自 30,952 名门诊患者的 36,784 对 ECG-超声心动图数据上训练了 XGBoost 模型，并在随后时期的 19,966 份 ECG 上评估了时间泛化能力。该多模态模型在严重、中度、轻度和正常类别上的一对多 AUROC 分别达到 0.95、0.92、0.82 和 0.91，优于仅使用 ECG 和仅使用 EHR 的基线，并在时间验证下保持了性能。这项工作支持基于 ECG 的多模态 LVEF 分层作为一种实用的筛查和分诊辅助手段，以便在资源有限的情况下优先安排确认性影像检查。
引用
@article{arxiv.2604.25942,
title = {A Multimodal and Explainable Machine Learning Approach to Diagnosing Multi-Class Ejection Fraction from Electrocardiograms},
author = {Catherine Ning and Yu Ma and Cindy Beini Wang and Sean McMahon and Joseph Radojevic and Steven Zweibel and Dimitris Bertsimas},
journal= {arXiv preprint arXiv:2604.25942},
year = {2026}
}