AI赋能磁心图技术：突破心肌缺血与冠状动脉狭窄的精准诊断新边界

为解决缺血性心脏病（IHD）早期诊断难题，上海交通大学附属第六人民医院和第十人民医院的研究人员开展了一项基于磁心图（MCG）与人工智能（AI）的多中心诊断研究。该研究提出了一种多尺度视觉变换器网络结合图卷积网络（GCN）的方法，实现了IHD的精准诊断与心肌缺血及冠状动脉狭窄的定位。结果显示，该方法诊断准确率达84.7%，验证集准确率82.3%，为临床无创诊断提供了新思路，有望推动MCG技术的广泛应用。

　　

研究背景：心脏疾病的“隐形杀手”与新技术的曙光

在当今快节奏的生活中，心脏疾病已成为全球范围内的“隐形杀手”，尤其是缺血性心脏病（Ischemic Heart Disease, IHD）。这种疾病通常由冠状动脉狭窄（Coronary Artery Stenosis, CAS）引起，导致心肌供血不足，进而引发心肌缺血（Myocardial Ischemia, MS）。尽管医学技术不断进步，但IHD仍然是全球主要的死亡原因之一，影响着约1.72%的人口，并且患病率还在逐年上升。早期诊断和精确定位心肌缺血和冠状动脉狭窄对于预防和管理IHD至关重要。然而，传统的诊断方法如心电图（Electrocardiography, ECG）虽然被广泛使用，但其敏感性和特异性较低。此外，一些更先进的诊断手段，如冠状动脉造影（Coronary Angiography, CAG）和单光子发射计算机断层扫描（Single Photon Emission Computed Tomography, SPECT），要么具有侵入性，要么涉及辐射暴露。

为了克服这些限制，研究人员开始探索一种非侵入性、无接触且高灵敏度的心脏功能评估方法——磁心图（Magnetocardiography, MCG）。MCG能够检测到由心肌活动产生的微弱磁场信号，具有更高的灵敏度，尤其是在检测心肌缺血引起的切向和涡流信号方面。然而，MCG信号的解释需要专业知识，且过程繁琐，这限制了其在临床中的广泛应用。因此，开发基于MCG信号的计算机辅助诊断系统显得尤为重要。

研究概述：AI赋能的MCG诊断技术

为了应对这一挑战，来自中国上海第六人民医院和第十人民医院的研究人员在《自然·科学报告》（Nature Scientific Reports）上发表了一篇题为《基于多中心、人工智能辅助的磁心图诊断和定位心肌缺血及冠状动脉狭窄》（Multi-center, AI-enabled Diagnosis and Localization of Myocardial Ischemia and Coronary Artery Stenosis from MCG Data）的论文。在这项研究中，研究人员提出了一种基于人工智能（Artificial Intelligence, AI）的方法，利用大规模MCG数据集进行IHD的诊断和相关病变的定位。研究结果表明，这种方法不仅能够快速准确地诊断IHD，还能精确定位心肌缺血区域和狭窄的冠状动脉，为临床实践提供了一种新的、无创的诊断工具。

研究方法：多尺度特征提取与图卷积网络

为了实现这一目标，研究人员采用了多尺度视觉变换器（Multiscale Vision Transformer）网络来提取多通道MCG记录中的时空信息，并结合图卷积网络（Graph Convolutional Network, GCN）模块，将冠状动脉的解剖学先验知识融入特征融合过程中。这种方法不仅能够处理复杂的MCG信号，还能利用解剖学信息提高诊断的准确性。

研究结果：从大规模数据到临床验证

基线特征

研究人员收集了来自八个临床中心的2,158份MCG记录，用于模型的开发，并在四个中心收集的268份独立验证数据集上进行了测试。这些数据涵盖了健康个体、接受CAG检查的患者以及接受SPECT筛查的患者。通过对这些数据的分析，研究人员发现，MCG信号在诊断IHD方面表现出色，尤其是在识别中度至重度IHD患者方面。

IHD诊断性能

在综合评估中，研究人员的模型在开发数据集上达到了84.7%的准确率、83.8%的敏感性和85.6%的特异性。在独立验证数据集上，模型的性能依然稳健，准确率、敏感性和特异性分别为82.3%、83.8%和81.3%。这些结果表明，该模型不仅在大规模数据集上表现出色，还能在独立验证中保持一致性。

定位性能

除了诊断IHD，该模型还能精确定位心肌缺血区域和狭窄的冠状动脉。在左心室的五个区域（心尖、前壁、间隔壁、下壁和侧壁）中，模型的平均准确率分别为71.5%、77.1%、86.7%、81.1%和75.6%。对于冠状动脉狭窄的定位，模型在左前降支（LAD）、左回旋支（LCX）和右冠状动脉（RCA）上的平均准确率分别为71.1%、60.3%和64.5%。这些结果表明，该模型在定位LAD狭窄方面表现最佳，而在LCX和RCA的定位上稍显不足，这可能与这些动脉的解剖学特征和信号重叠有关。

消融研究

研究人员还进行了消融研究，以评估不同心脏事件序列对IHD诊断的影响。结果表明，仅使用TT序列（T波）进行诊断的效果最佳，这与之前的研究结果一致，即T波去极化同步性是区分IHD患者和健康个体的重要因素。此外，研究人员还验证了解剖学先验知识融合模块的有效性，发现其能够显著提高模型的诊断性能。

结论与讨论：开启临床应用的新篇章

这项研究不仅证明了基于AI的MCG分析在IHD诊断和病变定位中的潜力，还为临床实践提供了一种新的、无创的诊断工具。通过结合多尺度特征提取和图卷积网络，研究人员成功地将解剖学信息融入到功能信号分析中，提高了诊断的准确性和可靠性。这种方法的临床意义在于，它能够在早期阶段识别出潜在的心脏病变，从而为患者提供更及时的治疗方案。

然而，研究人员也指出了一些局限性。例如，研究数据主要来自中国人群，可能不适用于其他种族群体。此外，研究样本在性别、年龄和地理分布上存在不平衡，这可能影响模型的普适性。未来的研究需要在更广泛的人群中验证该模型的性能，并进一步优化算法以提高其在不同环境下的稳定性。

总的来说，这项研究为心脏疾病的诊断提供了一种新的视角，展示了AI技术在医学影像分析中的巨大潜力。随着技术的不断进步和临床验证的深入，基于MCG的AI诊断系统有望在未来成为一种标准的临床工具，为心脏病患者的早期筛查和治疗提供有力支持。