CaMPNet: Cardiovascular Multimodal Prediction Network for Comorbidity Detection
论文摘要: 文题： CaMPNet: 用于并发症检测的心血管多模态预测网络
作者：杨子，王小娟，王建林，光奇，丁雪乾，刘浩，许云鹏，赵晶，白明
单位：
兰州大学第一医院 信息中心，兰州 730000
兰州大学第一医院 心血管内科，兰州 730000
兰州大学第一临床医学院，兰州 730000
手机号码：18298302332
Email：448706606@qq.com
目的：
心血管疾病（CVDs）是全球首要死因，但传统心电图（ECG）解读存在主观性和对复杂病理的敏感性有限等问题。本研究旨在开发并验证一个名为心血管多模态预测网络（CaMPNet）的深度学习模型，通过融合多种数据源，实现对多种心血管疾病并发症的自动、准确检测。
方法：
本研究提出了一种基于Transformer架构的多模态模型CaMPNet。该模型通过交叉注意力融合机制，整合了三种类型的数据：原始12导联ECG波形、结构化ECG特征（如QT/QRS间期、PR间期）以及人口统计学数据（年龄/性别）。我们使用了来自MIMIC-IV-ECG数据库的384,877条记录对模型进行训练，并在12个心血管疾病标签上对其性能进行了评估。
结果：
CaMPNet在独立的测试集上表现出强大的诊断能力。模型的平均受试者工作特征曲线下面积（AUC）达到了 0.865，平均精确率（ACC）为 0.907, 均优于基线模型ResNet-ECG（其AUC为0.848，ACC为0.842）。在不同亚组中，模型性能保持稳定，男性AUC为0.865，女性为0.863；最年轻年龄组（≤54岁）的AUC为0.900，而最年长年龄组（>78岁）的AUC为0.812。此外，通过注意力图的可视化分析，模型展示了其决策过程具有临床可解释性，例如在ST段抬高型心肌梗死（STEMI）的诊断中能准确关注到ST段抬高区域。为了促进模型的实际应用与评估，我们还开发了一个交互式的在线预测原型界面，用户可上传ECG数据获取诊断结果，并通过注意力热图直观地了解模型的决策依据。
结论：
本研究成功开发了CaMPNet模型，它能够稳健、可解释地同时检测多种心血管疾病。该模型通过有效融合心电图波形、结构化特征和人口统计学数据，提升了诊断的准确性，即使在部分数据缺失的情况下依然表现稳定。研究结果表明，CaMPNet在作为心血管疾病并发症早期筛查的辅助诊断工具方面具有巨大潜力。