图片

本文提出了一种基于模态分解与掩码自编码器的深度学习框架，旨在利用稀缺的超声心动图数据库实现心力衰竭的准确预测。心力衰竭作为全球导致人类死亡的主要原因之一，其早期、快速和有效的预测对于降低死亡率、提高患者生活质量具有重要意义。

 

研究背景与意义

 

根据世卫组织的数据，每年约有1800万人死于心血管疾病，其中心力衰竭占据重要地位。随着人口老龄化，心力衰竭的经济和社会负担日益加重，因此，开发有效的心力衰竭预测系统成为当务之急。超声心动图作为一种非侵入性的超声成像方法，能够提供心脏结构和功能的大量信息，是心力衰竭预测中广泛使用的工具。然而，超声心动图图像往往存在质量不高、特征提取困难等问题，且高质量的超声心动图数据库稀缺，这限制了传统机器学习模型的应用。

 

图片

研究方法

 

本文提出的系统分为两个阶段：心脏数据库创建和心力衰竭预测。

 

1、心脏数据库创建：

 

●数据同质化：首先，从原始超声心动图序列中提取代表心脏的区域，去除外部医疗信息和背景噪声。

 

●模态分解数据生成：利用“奇异值分解”和“高阶动态模态分解”算法对同质化后的序列进行处理，生成具有更少噪声和更具判别性特征的图像样本。这些样本随后用于构建机器学习兼容的心脏数据库。

 

2、心力衰竭预测：

 

●数据变换：对输入超声心动图序列进行与数据库创建阶段相同的模态分解处理，提取特征。

 

●深度学习模型构建与训练：采用基于“视觉转换器”的深度学习模型，并结合自监督学习方法，特别是掩码自编码器，进行模型训练。这种训练策略即使在样本稀缺的情况下也能有效提升模型性能。

 

●预测融合：对序列中每张图像的预测结果进行融合，得到最终的心力衰竭发生时间预测。

 

图片

实验结果与讨论

 

实验结果显示，本文提出的系统在心力衰竭预测任务中表现出色。通过引入高阶动态模态分解算法进行数据增强和特征提取，以及采用视觉转换器和自监督学习方法，系统能够有效提升预测准确性，并在多个评估指标上优于传统的卷积神经网络架构。特别是，在包含不同心脏状态（如控制组、肥胖组和系统性高血压组）的超声心动图数据库上，系统实现了平均误差仅为4.54个月的心力衰竭发生时间预测，这在样本稀缺的医疗领域中具有显著优势。

 

此外，实验还对比了不同训练数据和测试数据组合对系统性能的影响，进一步验证了高阶动态模态分解算法和自监督学习方法的有效性。在计算成本方面，尽管高阶奇异值分解的降维过程计算量较大，但整体系统仍能在实时要求内完成预测任务。

 

图片

结论与展望

 

本文提出了一种创新的深度学习框架，通过模态分解与自监督学习方法，有效解决了稀少超声心动图数据库中心力衰竭预测的挑战。实验结果表明，该系统在预测准确性和计算效率方面均表现出色，为心力衰竭的早期预警和治疗提供了有力支持。未来工作将进一步扩大数据库规模、优化模型架构并探索更多自监督学习方法，以进一步提升心力衰竭预测的性能和泛化能力。