跳到正文
arXiv cs.AI· Zhengyao Ding, Kewen Wang, Yujian Hu, Ziyu Li, Yiheng Mao, Yue Wang, Haitao Li, Dengnan Zhang, Xuanhong Liu, Yue Wang, Jing Wang, Yue Chen, Longbo Wang, Mengjia Chen, Chengchen Zhao, Xuesen Chu, Yubin Zhang, Mor Peleg, Judith Somekh, Mingxuan Yuan, Hui Yan, Yue Gu, Fan Yi, Zhilong Jia, Zhentao Tang, Xi Hu, Fei Wu, Hongkun Zhang, Ting Chen, Zhengxing Huang·· 10 小时前AI 评分58

MyoECG 用心脏磁共振知识增强心电图,实现心肌病检测

Cardiac MRI-informed electrocardiography enables biologically grounded cardiomyopathy detection

AI 导读

研究团队提出 MyoECG 跨模态表示学习框架,将心脏磁共振(CMR)的心肌结构与功能知识蒸馏到标准 12 导联心电图中,仅凭心电图即可检测心肌病并分类亚型。

正文 · AI 翻译

作者:Zhengyao Ding、Kewen Wang、Yujian Hu、Ziyu Li、Yiheng Mao、Yue Wang、Haitao Li、Dengnan Zhang、Xuanhong Liu、Yue Wang、Jing Wang、Yue Chen、Longbo Wang、Mengjia Chen、Chengchen Zhao、Xuesen Chu、Yubin Zhang、Mor Peleg、Judith Somekh、Mingxuan Yuan、Hui Yan、Yue Gu、Fan Yi、Zhilong Jia、Zhentao Tang、Xi Hu、Fei Wu、Hongkun Zhang、Ting Chen、Zhengxing Huang

查看 PDF

摘要:人群规模上的精准心肌表型分析受限于心脏磁共振(CMR)的成本和可及性,而心电图(ECG)虽广泛可用,但反映的是电生理信息而非结构和功能信息。在此,我们开发了 MyoECG,一个跨模态表示学习框架,它将 CMR 中的心肌结构和功能知识蒸馏到标准 12 导联 ECG 中,从而仅凭 ECG 即可实现影像学指导的心肌病检测和亚型分类。MyoECG 在来自 UK Biobank 和一家三级心血管中心的 45,241 对 ECG-CMR 检查上进行了预训练,随后在来自七个独立数据集的超过 180 万份 ECG 上进行了开发和验证。在涵盖 0.2-54.7% 患病率的内部和外部数据集中,MyoECG 优于五个预训练的 ECG 基础模型,其心肌病检测的 AUROC 为 0.800-0.974。在一项由六位心脏病专家参与的多阅片者研究中,MyoECG 辅助将平均灵敏度提高了 0.109(95% CI,0.041-0.175;P = 0.009),特异性提高了 0.056(95% CI,0.004-0.108;P = 0.040)。在 41,128 名 UK Biobank 参与者中,MyoECG 评分显示出与心肌病(rg = 0.409)和扩张型心肌病(rg = 0.371)的遗传相关性,在四个位点存在全基因组关联,包括映射到 NFIA 和 KCNQ1 的区域,并与 69 种与心肌应激、细胞黏附、血管生物学和代谢相关的循环蛋白存在关联。在调整 27 项实测 CMR 特征后,心肌病相关性减弱至不显著(rg = 0.131;P = 0.143),表明该评分捕获的是 CMR 衍生信息,而非数据集特定的捷径。MyoECG 为 CMR 指导的心肌病评估提供了一条可扩展的路径,并提供了一种将知识从资源密集型影像转移到可广泛部署的生理信号的策略。
评论: 46 页,9 幅图
主题: 人工智能 (cs.AI);定量方法 (q-bio.QM)
引用为: arXiv:2611.23925 [cs.AI]
  (或 arXiv:2611.23925v1 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.23925

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Zhengyao Ding [查看电子邮件]
[v1] 2026 年 11 月 18 日星期三 06:16:55 UTC(14,314 KB)

来源:arXiv cs.AI · arxiv.org