《Electronics》：Prediction of HF Propagation Using an Artificial Neural Network for IoT Applications
编辑推荐：
磁心动图（MCG）目前是无创诊断心肌缺血的一项很有前景的技术。临床医生可通过检查心脏磁三场图的时空演化，对缺血程度进行评估，并将受试者分为轻度缺血、重度缺血和健康个体三组。然而，MCG数据复杂的时空动力学特征使单一模态难以表征缺血严重程度。因此，研究人员提出了
磁心动图（MCG）目前是无创诊断心肌缺血的一项很有前景的技术。临床医生可通过检查心脏磁三场图的时空演化，对缺血程度进行评估，并将受试者分为轻度缺血、重度缺血和健康个体三组。然而，MCG数据复杂的时空动力学特征使单一模态难以表征缺血严重程度。因此，研究人员提出了一种因果驱动的多模态融合框架，用于整合手工构建的关键特征与MCG图像表征。该框架利用结构因果模型（SCM）系统建模了两类混杂因素，即潜在视觉混杂因素和跨模态融合混杂因素。为减轻表征学习过程中的伪相关与特征冗余，研究人员设计了两个受因果思想启发的模块，分别基于前门调整和反事实干预。基于该数据集的实验结果表明，所提出框架能够有效提升基于MCG的心肌缺血严重程度分级性能。
该论文发表于《Electronics》，研究主题聚焦于基于磁心动图（MCG）的心肌缺血严重程度分级诊断。心肌缺血是全球心血管疾病负担的重要来源，冠状动脉狭窄及心肌供血不足可进一步诱发心肌梗死、室性心律失常等严重并发症，因此实现早期、准确、无创的风险识别具有重要临床意义。现有临床检测手段如心脏计算机断层成像（CT）和冠状动脉造影（CAG）虽然可用于疾病检测，但前者存在辐射暴露风险，后者属于有创检查。相比之下，MCG作为一种无创、非接触且高灵敏度的心脏电生理评估方法，能够捕捉心肌电活动产生的细微磁场变化，因而在心肌缺血辅助诊断中具有独特优势。
但当前问题在于，既有MCG智能诊断研究多集中于学习特征与标签之间的统计关联，缺乏对电生理模式与缺血严重程度之间因果联系的建模。已有基于特征工程的方法依赖人工提取的诊断特征，再结合传统机器学习模型进行检测；而深度学习方法虽提升了表征学习能力，但大多仅区分健康人与心肌缺血患者，对轻度与重度缺血的细粒度分级研究相对不足。此外，多模态学习在医学人工智能中通常以图像为中心，其融合机制并不天然适配MCG这类具有时间序列特征的单源异质数据；同时，跨模态融合过程中易引入伪相关、混杂偏倚与冗余信息，削弱模型在真实临床环境中的稳健性与泛化能力。基于上述问题，研究人员开展了因果驱动多模态深度学习研究，目标是利用关键特征引导MCG图像表征学习，并通过因果干预削弱“同源冗余”，增强“因果互补性”，从而提升心肌缺血严重程度分级性能。
研究人员构建了一种因果驱动多模态数据融合框架，以MCG时空图像序列和特征工程提取的关键特征作为联合输入。研究首先识别了两类核心混杂因素：一类是视觉模态中的潜在视觉混杂因素，另一类是跨模态融合过程中的融合混杂因素。围绕这两类偏倚来源，框架设计了两个因果模块：视觉混杂因素前门干预（VCFI）和跨模态融合反事实干预（MFCI）。前者通过引入中介语义表示，利用前门调整阻断潜在视觉混杂因素对预测路径的干扰；后者通过构造反事实样本，模拟跨模态交互在干预条件下的表现，以抑制非因果性的跨模态伪相关。在该基础上，研究构建了面向健康、轻度缺血和重度缺血三分类的辅助分级诊断模型，并通过实验验证其有效性。结果显示，该方法在私有数据集上取得较优表现，平均准确率（ACC）超过0.87，灵敏度（SEN）、特异度（SPEC）和平均F1值分别达到0.87、0.87和0.92，表明因果干预策略能够提升MCG分级诊断的判别能力与稳健性。研究的重要意义在于，为基于MCG的无创心肌缺血分级诊断提供了更可靠、更具可解释性且更具临床应用潜力的人工智能方法学基础。
研究所采用的关键技术方法主要包括以下几个方面：首先，基于16 × 16 × 100的MCG时空序列构建3D卷积神经网络（3D-CNN）视觉编码器，以联合提取时间维与空间维中的动态磁场特征；其次，对20维关键特征依据其统计分布分别采用Z-score标准化、Min–Max归一化、对数变换、Yeo-Johnson变换、RobustScaler和Tanh归一化等特异性预处理方法；再次，利用自监督深度聚类学习视觉语义原型，并通过前门调整获得去混杂的视觉表征；同时，采用时间打乱与随机翻转生成反事实视觉样本，并结合交叉注意力机制与对比学习目标实施跨模态融合反事实干预；最后，在由Suzhou Magnetocardiography Co., Ltd.提供的私有数据集上开展实验，数据包含500例有标签样本和1000例无标签样本，严重程度标注由3名经认证心脏科医师基于侵入性冠状动脉造影（CAG）共同判定。
在研究结果部分，论文首先给出了“5.1. Comparison with SOTA Methods”的结果总结。该部分通过与当前MCG心肌缺血辅助诊断领域的先进方法进行比较，证实所提模型在分级诊断任务中的整体优势。根据表1，研究方法在私有数据集上的主要评估指标优于对照方法，尤其在三分类场景下取得了超过0.87的平均准确率。研究人员还针对与最佳基线模型MCG-NET的逐折准确率进行了配对t检验，在患者层面交叉验证折数受限的条件下得到0.0011和0.0030的结果，提示性能提升具有初步统计学支持。此外，平均混淆矩阵显示重度缺血与健康类别之间几乎不存在明显误分，模型很少将健康个体误判为重度缺血，或将重度缺血误判为健康个体。论文还报告了在独立外部队列上的零样本评估结果，显示模型仍维持与内部验证相近的区分模式，从而支持该方法对混杂变量具有一定稳健性。
在“5.2. Ablation Study”部分，研究人员系统评估了不同骨干网络、特征融合方式和因果模块的贡献。实验比较了U-Net与3DCNN两类骨干，以及简单拼接（Concat）与所提因果融合策略的差异。结果表明，若仅采用朴素的特征拼接，模型性能仅有轻微提升，例如U-Net的ACC由0.71升至0.72，3DCNN由0.71升至0.75，这说明简单融合会引入明显的同源冗余，图像特征与临床测量之间存在信息重叠而非真正互补。当仅引入VCFI模块时，U-Net与3DCNN的ACC分别提升至0.77和0.83，说明前门调整能够有效抑制潜在视觉混杂因素。而当VCFI与MFCI共同作用时，完整模型达到0.87的ACC，获得最佳性能。这一结果证明两个因果模块具有递进式增益效应：前者净化视觉表征，后者减少跨模态错误关联，二者共同提升了因果互补信息的利用效率。
在“5.3. Visualization and Qualitative Analysis”部分，论文进一步从可视化角度验证模型的有效性。研究人员将模型学习到的高维MCG特征嵌入通过t分布随机近邻嵌入（t-SNE）投影到二维空间，以观察类间结构变化。结果显示，在因果干预前，自监督聚类已能形成较有组织的类别中心空间，并在健康样本与缺血样本之间建立初步区分，但轻度与重度缺血之间仍存在重叠，反映了缺血严重程度在临床上的连续谱特征。经过因果干预后，三类样本在嵌入空间中的类内分布更加紧凑、类间边界更加清晰，说明模型更有效地区分了与病理生理相关的因果特征和无关扰动因素。与此同时，研究采用梯度加权类激活映射（Grad-CAM）对模型关注区域进行可视化分析。与基线模型相比，所提因果驱动模型在心肌缺血相关区域表现出更集中、更聚焦的注意激活，而基线模型的响应则更分散，容易关注无关区域。这表明因果干预模块确实减少了混杂因素干扰，促使模型学习到更具临床意义和判别价值的病理表征。
在讨论部分，论文指出，该研究针对单模态特征不足和伪相关并存的双重问题，提出了基于MCG的心肌缺血分级因果驱动多模态融合框架。87%的三分类总体准确率为“因果干预能够增强跨模态因果互补性”这一核心命题提供了经验性支持。与此同时，研究也明确承认其局限性。首先，数据集规模仍然有限，这会限制模型在更广泛真实临床群体中的适用性，因此临床部署时的实际表现可能与内部交叉验证结果存在明显差异。其次，现有3D-CNN骨干网络在捕捉超长时间依赖方面仍有不足，说明模型结构仍有进一步优化空间。论文据此提出后续两个主要发展方向，即引入更先进的状态空间模型，如Mamba，以增强长序列心脏磁心动图数据的表示与建模能力；以及将该框架拓展到纵向MCG监测任务中，以实现对心肌缺血进展和演化过程的连续追踪。整体而言，讨论部分强调，本研究为开发更可靠、更可解释且更具临床价值的心脏疾病人工智能辅助诊断方法提供了技术基础。
研究结论部分可译述如下：研究提出了一种新的因果驱动多模态融合框架，用于基于磁心动图（MCG）的心肌缺血辅助分级诊断。该框架旨在利用通过特征工程提取的关键特征，引导对MCG图像特征的深度学习。通过引入因果干预相关理论与方法，研究缓解了多模态融合过程中产生的“同源冗余”问题，并利用了因果互补性。未来工作将把该框架扩展至更大规模的多中心临床数据集，并探索集成更先进的因果推断策略，以进一步提升临床辅助诊断中的可解释性与泛化能力。
