基于人工智能的胸腔镜测肺功能：用于早期检测右心衰
机器学习
2025-11-18 v1 人工智能
摘要
右心衰 (RHF) 是指右心室结构或功能异常的疾病，与较高的死亡率和患病率相关。肺部疾病常导致右心室负荷增加，进而引发RHF。因此，从潜在肺部疾病患者中筛选出 develop RHF 病人的患者（即冠疱病）具有重要意义。本文提出了一种自监督表征学习方法，用于从冠疱病患者中早期检测RHF，该方法利用胸腔图时间序列数据预测患者是否处于RHF的早期阶段。该模型分为两个阶段。第一个阶段是基于自监督表征学习的胸腔图嵌入 (SLSE) 网络训练过程，其中变分自编码器 (VAE-编码器) 从数据增强后的无标签数据中学习胸腔图时间序列的稳健低维表征。第二个阶段是将该低维表征与人口学信息融合，并输入到 CatBoost 分类器中进行下游 RHF 预测任务。在从英国生物样本库中挑选出的 26,617 名个体上进行训练和测试，我们的模型在检测RHF方面达到了 0.7501 的 AUROC，显示出强大的群体水平区分能力。我们进一步在高风险临床亚群中对模型进行了评估，在 74 名慢性肾病 (CKD) 患者的测试集上获得了 0.8194 的 AUROC，在 64 名瓣膜心脏病 (VHD) 患者的测试集上获得了 0.8413 的 AUROC。这些结果突显了该模型在预测临床高风险人群中 RHF 的潜在价值。总之，本研究提出了一种结合胸腔图时间序列和人口学数据的自监督表征学习方法，展示了在临床实践中早期检测 RHF 的前景潜力。
引用
@article{arxiv.2511.13457,
title = {Artificial Intelligence-Enabled Spirometry for Early Detection of Right Heart Failure},
author = {Bin Liu and Qinghao Zhao and Yuxi Zhou and Zhejun Sun and Kaijie Lei and Deyun Zhang and Shijia Geng and Shenda Hong},
journal= {arXiv preprint arXiv:2511.13457},
year = {2025}
}
备注
19 pages, 5 figures