《PLOS One》：Deep learning-based arterial waveform analysis for predicting postoperative cerebrovascular events in pediatric patients with Moyamoya disease
编辑推荐：
背景：术后脑血管事件（包括短暂性脑缺血发作、梗死及出血）是接受外科血运重建术的儿科烟雾病(Moyamoya Disease, MMD)患者的重要临床隐患。本研究旨在建立基于术中动脉血压(Arterial Blood Pressure, ABP)波形分析的可解释
背景：术后脑血管事件（包括短暂性脑缺血发作、梗死及出血）是接受外科血运重建术的儿科烟雾病(Moyamoya Disease, MMD)患者的重要临床隐患。本研究旨在建立基于术中动脉血压(Arterial Blood Pressure, ABP)波形分析的可解释深度学习分类模型，用于预测儿科MMD手术患者术后脑血管事件，并探索相关波形衍生生理特征。
方法：这项回顾性研究纳入181例≤18岁接受血运重建术的MMD患儿，另设79例独立时间外部验证队列。研究人员对ABP信号进行去趋势化、脉搏分割及归一化预处理，转化为图像表征输入深度学习分类器。评估了ResNet50、ResNet34、DenseNet121、VGG16、VGG19等卷积神经网络(Convolutional Neural Network, CNN)及视觉Transformer(Vision Transformer, ViT)架构，测试多种信号转图像方法，并对发生与未发生术后脑血管事件的患者进行Grad-CAM(Class Activation Mapping)分析及波形衍生生理特征统计比较。
结果：原始脉搏波形图（每幅图含连续3个脉搏）取得最优性能，CNN模型优于ViT模型，内部验证AUROC＝0.772±0.070；独立时间验证队列中患者水平AUROC达0.738±0.011。Grad-CAM可视化显示舒张期 runoff（舒张衰减段）为分类关注区，4个与动脉顺应性相关的波形特征在两组间差异显著(p＜0.05)。
结论：本研究表明基于CNN的深度学习模型可从术中ABP波形预测术后脑血管事件，舒张期血流动力学特征可能是相关生理模式。该发现属探索性质，临床应用前需前瞻性多中心验证。
论文解读：基于深度学习动脉波形分析的烟雾病患儿术后脑血管事件预测
研究背景与立题依据
烟雾病(Moyamoya Disease, MMD)是一种罕见的进行性脑血管疾病，以颅内颈内动脉远端狭窄或闭塞为特征，导致脑缺血、梗死及神经功能缺损。儿科MMD患者在接受血运重建(revascularization)手术后，仍面临较高的术后脑血管事件风险，包括短暂性脑缺血发作(Transient Ischemic Attack, TIA，发生率可达42.9%)、脑梗死(9.1%–10%)及出血，这些事件可增加不可逆神经损伤风险并延长住院时间。目前尚缺乏可靠的术中指标预测此类风险。动脉血压(Arterial Blood Pressure, ABP)波形分析可动态评估血管顺应性(systemic hemodynamics)及全身血流动力学，可能反映与脑血管灌注相关的生理特征。鉴于MMD常伴全身血管病变及脑血管储备受损，术中ABP波形形态或含术后风险的生理信息，但该作用尚未在儿科MMD人群中被探讨。近年来深度学习(Deep Learning, DL)可从原始生理波形中自动提取复杂模式而无需预定义特征工程(feature engineering)，为本研究提供了技术基础。因此，研究人员开展此项研究，旨在开发基于术中ABP波形分析的可解释深度学习分类模型预测术后脑血管事件，并探索关联的波形衍生生理特征。本文发表于《PLOS One》。
主要关键技术方法
研究人员采用首尔国立大学医院2019年1月至2024年6月≤18岁择期间接血运重建术患儿，经排除标准后开发队列181例，另收集2025年1月至12月79例为独立时间验证队列(hold-out cohort)。ABP信号以100 Hz采样，提取≥10分钟洁净段，经去趋势(detrending，0.5 Hz带通滤波)、基于规则联合PyPPG的脉搏分割(pulse segmentation)及Y轴min-max归一化、X轴固定300点重采样，将连续3个脉搏构造成单幅原始波形图(raw pulse plot, DRP)。比较CNN(ResNet50/34、DenseNet121、VGG16/19)与ViT(ViT-Small/Base/Large及CLIP预训练)架构，测试Gramian Angular Summation Field(GASF)、Markov Transition Field(MTF)、Recurrence Plot(RP)、Spectrogram(SPEC)及DRP五种信号转图像方法。开发队列按患者水平分层划分训练/验证/内部测试集(70%/15%/15%)重复5次交叉验证，独立时间队列仅用于最终验证。采用Adam优化器、早停(patience=10)及数据增强，使用类别加权损失处理不平衡。以Grad-CAM进行可解释性可视化，提取重搏切迹(dicrotic notch, DN)至舒张峰值(diastolic peak, DP)等分段的一阶/二阶导数特征，Mann-Whitney U检验比较组间差异，并以传统机器学习(logistic regression, random forest, SVM, KNN)及多示例学习(Multiple Instance Learning, MIL)作对照。
研究结果
Background（背景与人群特征）
181例患者中125例(69.1%)发生术后脑血管事件（含10例梗死、3例出血），发生与未发生事件组间年龄、性别、身高、体重、手术方式、后循环受累及Suzuki分期无显著差异。
Methods（模型筛选与配置）
CNN架构显著优于ViT（ViT未收敛予以剔除）；信号转图像方法中原始脉搏波形图(DRP)优于GASF、MTF、RP及频谱图。每幅图含3个连续脉搏、投票集成(voting-based ensemble)聚合决策时模型达最优内部性能(AUROC＝0.772，SD＝0.070)；MIL-top-k策略AUROC＝0.740。深度学习端到端模型优于基于手工特征的传统机器学习基线模型。
Results（独立验证与可解释性）
在独立时间验证队列(n=79)中，模型图像水平AUROC＝0.712±0.022，患者水平AUROC＝0.738±0.011。Grad-CAM（取倒数第二卷积层）显示术后事件阳性患者的舒张期runoff（舒张衰减段，即DN之后至下一搏动点起始段）被明显激活，提示该区域具判别价值。波形特征统计比较发现4个与动脉顺应性相关的特征在事件组显著升高(p＜0.05)：峰值至DN段一阶导数均值、DN至DP段一阶导数最小值、DP至offset段一阶导数最小值，以及峰值至DN段二阶导数AUROC。
Conclusions（结论部分原文翻译）
本研究中，基于CNN的深度学习模型证明了利用术中ABP波形预测儿科MMD患者术后脑血管事件的可行性，其中舒张期runoff动力学表现为潜在的相关生理模式。这些发现属探索性质，在临床应用前需经前瞻性多中心验证。
讨论总结
研究人员指出这是首项将深度学习应用于术中ABP波形分析以预测儿科MMD术后脑血管事件的研究。CNN较ViT更适用于此类生理波形，因其擅长局部形态特征提取，且本数据集规模有限不利于Transformer收敛。原始波形图比复杂时频变换更优，提示ABP波形特征空间相对受限。Grad-CAM锁定舒张期runoff与事件关联，事件组表现更陡的舒张衰减，可能反映血管顺应性降低、远端灌注不足或脑血管储备受限，与MMD病理生理相契合，但仍需进一步验证。模型敏感性较高，符合临床筛查需求（漏诊后果更严重），但总体判别力尚属中等，外部验证受限为同中心时间队列，且与传统机器学习差异未达统计学显著，故应视为概念验证(proof-of-concept)而非可部署工具。局限性包括单中心回顾性、样本量小、复合终点含TIA未能单独分析严重事件、未整合临床及造影危险因素。未来需前瞻性多中心外部验证及多模态（临床+影像+波形）模型构建。综上，CNN深度学习可行从术中ABP波形预测术后脑血管事件，舒张期波形动力学可能是相关生理标志，值得进一步前瞻性研究确认其临床效用。
