《Circulation》：Contrastive Machine Learning to Quantify Hypertensive Multiorgan Damage and Identify New Disease Phenotypes: A Multinational Multimodal Study
编辑推荐：
摘要背景：高血压诱导多个器官的结构与功能损伤。亚临床损伤的证据增加了血管事件和死亡的风险，但在临床上可能难以识别。研究人员开发了一种新型机器学习方法，能够以伪时间方式量化当前高血压相关的多器官损伤，映射从健康到晚期疾病的进展，并预测器官特异性疾病进展轨迹。
摘要背景：高血压诱导多个器官的结构与功能损伤。亚临床损伤的证据增加了血管事件和死亡的风险，但在临床上可能难以识别。研究人员开发了一种新型机器学习方法，能够以伪时间方式量化当前高血压相关的多器官损伤，映射从健康到晚期疾病的进展，并预测器官特异性疾病进展轨迹。
方法：研究人员分析了来自英国生物银行（UK Biobank）影像子研究的27,099名参与者的566个多模态影像和非影像变量，开发了一种半监督对比轨迹推断（contrastive trajectory inference, cTI）框架，用于模拟与高血压暴露相关的多器官改变，包括心脏、脑、肾脏、血管、肺、肝脏和代谢信息。模型稳定性通过多个内部验证步骤验证，外部有效性在来自动脉粥样硬化风险社区研究（Atherosclerosis Risk in Communities study, ARIC）的5,507名参与者中进行测试。临床相关性通过与现有风险评分比较以及预测长达7年的生存和首次多器官疾病事件的能力进行评估，涵盖英国生物银行和ARIC。
结果：在英国生物银行中（平均年龄63.27±7.48岁；53.4%为女性），研究人员开发的总体器官损伤评分（HyperScore）在识别严重终末期器官疾病个体方面实现了0.964（0.941–0.987）的曲线下面积（AUC），并在交叉验证中展现出稳健的稳定性，平均均方根误差（RMSE）为0.104±0.084。不同HyperScore分期的生存概率差异显著（P<0.001），而按血压分层则不显著。研究人员进一步揭示了6种高血压疾病表型（HyperTrajectory），分别以心脏、脂蛋白、动脉粥样硬化血栓形成、脑、心肾和肝脏特征为主。在ARIC中的外部测试证实了模型的稳定性，HyperScore分布的詹森-香农距离（Jensen-Shannon distance）低至0.10，器官损伤进展模式无显著偏差（P>0.05），且ARIC与英国生物银行间各HyperTrajectory的终末期器官和结局特征一致。
结论：机器学习衍生的总体器官损伤评分在高血压中是可行的，并能够识别不同的高血压相关器官疾病表型。利用影像进行高血压评估和监测的新框架可能实现个性化风险评估和表型特异性干预。
临床视角
新内容是什么？
•这是一个多模态多器官机器学习模型，能够以伪时间方式将当前高血压相关的终末期器官损伤量化为评分，并预测相应的器官特异性疾病进展轨迹，性能优异。
•新发现了6种高血压反应的器官特异性表型，分别以心脏、脂蛋白、动脉粥样硬化血栓形成、脑、心肾和肝脏特征为主。
•对当前高血压反应中多器官改变的综合评估比血压更有效地改善风险预测，并与现有风险评分技术相当。
临床意义是什么？
•该模型提供了对高血压相关器官特异性改变的洞见，可能实现更个性化的临床管理和更有针对性的干预。
•此类洞见能够更早识别原本仅通过血压监测可能被遗漏的高危个体，支持在不可逆器官损伤发生前进行预防性治疗。
•高血压反应中不同表型的发现可能推动针对主要受累器官系统和预测临床结局的定制治疗策略和随访方案的研究。
**论文解读：对比机器学习量化高血压多器官损伤及新疾病表型识别**
**研究背景与问题**
高血压是心血管疾病相关死亡的主要危险因素，占全球死亡的三分之一。血压升高会引起心脏、血管和脑的结构与功能改变，这些改变在部分轻度血压升高个体中即可观察到，而另一些个体即使长期暴露于高血压也不发生终末期器官变化。这种异质性意味着仅基于血压水平的治疗可能导致个体层面的治疗不足或过度。现有风险评分（如Framingham、QRISK3）可提供未来心血管事件的风险信息，但无法反映当前疾病状态。将多器官损伤的程度和类型纳入临床决策（如血压治疗阈值或药物选择）需要全面理解高血压疾病过程中器官重塑的出现与变化。传统上，需要跨越数十年的纵向多模态影像数据集来揭示这些模式。研究人员假设，将半监督对比机器学习方法应用于足够大的横截面影像数据集可以解决这一挑战，并首次揭示高血压相关多器官变化的独特模式。
**研究内容与结论**
研究人员基于英国生物银行（UK Biobank）影像子研究27,099名参与者的566个多模态影像和非影像变量，开发了伪时间对比轨迹推断（cTI）框架，区分血压正常个体与晚期高血压终末期器官疾病个体，量化全局终末期器官疾病严重程度（HyperScore），并识别器官变化集群（HyperTrajectories）。结论包括：HyperScore在识别严重终末期器官疾病方面AUC达0.964，稳定性良好（交叉验证RMSE 0.104±0.084）；生存概率随HyperScore分期显著变化，而血压分层无显著差异；发现6种高血压疾病表型，分别以心脏、脂蛋白、动脉粥样硬化血栓形成、脑、心肾和肝脏特征为主；外部验证在ARIC（5,507人）中证实了模型稳定性（JS距离低至0.10）和临床相关性的可重复性。该研究论文发表在《Circulation》。
**关键技术与方法**
主要方法包括：1）对比主成分分析（cPCA），通过加权减法对比正常组与高血压组协方差矩阵，提取高血压特异性对比成分；2）最小生成树（MST）构建伪时间轨迹，从最健康根节点连接所有参与者，计算距根节点距离作为HyperScore；3）拉普拉斯变换和聚类算法识别6条主要轨迹（HyperTrajectories）。样本队列来源为英国生物银行影像子研究（2015年至今）和动脉粥样硬化风险社区研究（ARIC，第5次访视，2011–2013年）。
**研究结果**
**建模分析**
通过cPCA和MST，模型在识别正常组（N）与高血压组（H）时AUC为0.964，12个cPC解释了60.3%的方差。脑MRI生物标志物贡献最大（66.9%），其次为体成分（9.8%）和颈动脉超声（8.6%）。
**内部验证**
分层10折交叉验证显示HyperScore稳定性良好（MRMSE 0.11±0.01），预测误差MRMSE为0.10±0.08。轨迹1和5的再生敏感性最高（64%和74%），轨迹6因样本量小且平均HyperScore低而难以稳定再生。
**HyperScore的临床相关性**
HyperScore与白质高信号（r2=0.61）、灰质体积（r2=0.81）、BMI（r2=0.62）、颈动脉IMT（r2=0.69）等显著相关。生存分析显示高HyperScore组事件风险更高（P<0.001），而血压分层无显著差异。联合血压分组后，HyperScore提供额外风险分层（P<0.001）。比较传统风险评分，HyperScore预测未来事件能力相当或更优（ΔC-statistic达+0.024，NRI达18.2），且对长期事件（≥4年）仍有效。
**HyperTrajectory的临床相关性**
6条轨迹具有不同的人口学特征和结局模式。轨迹1（男性为主）以心脏指数低、LVEF降低、肌酐和胱抑素C升高为特征，心脏结局比例最高；轨迹2（女性为主）以高脂血症为特征，死亡率最低但代谢事件高；轨迹3（男性为主）具炎症特征，血管事件（外周血管病、肺栓塞）多；轨迹4（女性为主）以高白质高信号、低灰质体积为特征，脑疾病比例最高；轨迹5（男性为主）兼具心脏和肾脏问题，死亡率最高且肾脏事件多；轨迹6（女性为主，样本小）与肝脏结局相关。
**外部验证**
在ARIC数据集中，HyperScore分布与UK Biobank相似（JS距离低至0.10），器官表型模式一致，时间-事件分析确认了HyperScore分期的风险差异。ARIC轨迹中男女人口分布和器官特异性事件模式与UK Biobank一致（如轨迹1心脏事件最差，轨迹5死亡率最高）。
**讨论与结论**
该研究首次通过对比方法构建了高血压相关多器官表型变化的整体表示，发现6种主要终末期器官疾病模式。HyperScore提供的预后信息超越血压和传统风险评分，且能个性化评估器官受累。cTI框架具有强可解释性和较低计算复杂性。外部测试在种族多样、地理不同的ARIC中验证了模型稳定性。局限性包括训练队列（UK Biobank）主要为白人健康人群、需多模态数据、横截面缺乏真实时间维度、轨迹6样本小。结论：通过将新型计算方法应用于大规模影像数据集，研究人员开发了首个全面且整体的高血压相关终末期器官变化模型。这一基于人工智能（AI）的跨器官工具为未来可靠的个体化高血压评估和个性化临床管理奠定了基础，将AI洞察融入临床实践。
