基于多模态信号的自监督学习心血管风险分层
机器学习
2025-07-15 v1 人工智能
摘要
方法：我们开发了一个从多模态信号（脑电图(EEG)、心电图(ECG)和呼吸信号）中提取有意义模式的自监督深度学习模型。该模型在 4398 名参与者的数据上进行训练。通过对比具有和无心血管疾病（CVD）结局个体的嵌入，导出投影得分。独立队列中的外部验证包括 1093 名参与者。源代码已公开于 https://github.com/miraclehetech/sleep-ssl。结果：投影得分揭示了不同模态之间存在distinct且临床意义的模式。从 ECG 中提取的特征可预测已发生和发生性心血管疾病，尤其是 CVD 死亡风险。从 EEG 中提取的特征可预测发生性高血压和 CVD 死亡。呼吸信号添加了补充性预测价值。将这些投影得分与 Framingham 风险评分结合，一致地提高了预测性能，在不同结局下实现的ROC曲线下面积分别为0.607至0.965。发现结果在外部测试队列中得到可靠复制和验证。结论：我们的发现表明，所提出的框架可直接从睡眠监测数据（PSG）生成个性化 CVD 风险得分。 resulting projection scores 有望被整合到临床实践中，以增强风险评估并支持个体化护理。
引用
@article{arxiv.2507.09009,
title = {Multimodal Cardiovascular Risk Profiling Using Self-Supervised Learning of Polysomnography},
author = {Zhengxiao He and Huayu Li and Geng Yuan and William D. S. Killgore and Stuart F. Quan and Chen X. Chen and Ao Li},
journal= {arXiv preprint arXiv:2507.09009},
year = {2025}
}