冠心病是全球范围内导致死亡的主要心血管疾病之一。心源性猝死往往突然发生且难以预测，大多数患者在发生前无明显先兆症状，这使得早期识别高危人群成为临床重大挑战［1］。建立有效的心源性猝死预测模型，及时识别高危患者并采取针对性干预措施，对降低冠心病患者猝死率具有重要临床意义。传统的心源性猝死风险评估主要依赖单一指标，如左室射血分数和心律失常负荷等，但预测准确性有限。心脏超声可提供心脏结构和功能信息，心电图则反映心脏电生理活动特征，单独应用任一方法均存在局限性［2］。近年来，深度学习在医学影像分析和疾病预测领域展现出巨大潜力，多模态深度学习通过整合多种检查数据，可充分利用不同检查方式的互补信息［3］。目前，多模态深度学习在心源性猝死预测中的应用研究尚处于起步阶段［4］。基于上述背景，本研究旨在构建融合心脏超声与心电图特征的多模态深度学习预测模型，系统评估其对冠心病患者心源性猝死的预测价值，为临床早期识别高危患者提供依据。
1 资料与方法
1.1 一般资料
本研究前瞻性选取2024年1月—2025年1月于我院心血管内科住院治疗的冠心病患者60例。所有患者均接受心脏超声、心电图检查及多模态深度学习模型预测评估，并随访6个月记录心源性猝死事件。根据随访结果，将患者分为事件组（随访期间发生心源性猝死或心脏骤停，n=15）和非事件组（随访期间未发生心源性猝死，n=45）。研究方案经医院伦理委员会审批通过（伦理批件号：2025-03-158）。两组患者基线资料比较，差异无统计学意义，具有可比性。具体见表1。
纳入标准：①经冠状动脉造影或冠状动脉CT血管造影确诊为冠心病，至少一支主要冠状动脉狭窄≥50%；②年龄18～80周岁；③临床资料完整，能够配合完成各项检查；④患者或法定监护人知情同意并签署知情同意书。
排除标准：①合并严重心脏瓣膜病、先天性心脏病、肥厚型心肌病、扩张型心肌病等其他器质性心脏病；②合并严重肝肾功能不全、恶性肿瘤、感染性疾病、免疫系统疾病、血液系统疾病；③既往有心脏手术史或植入心脏起搏器、植入式心律转复除颤器；④妊娠期或哺乳期妇女；⑤精神疾病或认知功能障碍无法配合检查；⑥影像质量不佳；⑦中途退出或失访者。筛选流程图见图1。
1.2 方法
①心脏超声检查：采用高端彩色多普勒超声诊断仪，配备相控阵探头，频率2.5 MHz～4.0 MHz。患者取左侧卧位，采集标准切面图像，包括二维超声心动图、M型超声、多普勒超声。采用斑点追踪显像技术分析左室心肌应变，采集心尖四腔心、心尖两腔心、心尖长轴切面的二维灰阶动态图像，帧频保持在60～80帧/秒。测量左室射血分数、左室内径、室壁厚度、左室整体纵向应变、圆周应变、径向应变、二尖瓣血流速度、左房容积指数等参数。
②心电图检查：采用数字化多导联同步心电图机，采用标准12导联心电图，走纸速度25 mm/s。记录心率、PR间期、QRS波时限、QT间期、校正QT间期等参数，测量QT间期离散度。进行24 h动态心电图监测，分析心率变异性指标，包括时域和频域指标，评估室性心律失常负荷，检测T波电交替。
③多模态深度学习模型构建：心脏超声图像经预处理后，采用卷积神经网络架构进行特征提取，自动学习心脏结构、室壁运动等视觉特征。心电图数据经预处理后，采用一维卷积神经网络和长短期记忆网络处理，提取心率变异性、QT间期变化、T波形态等电生理特征。采用注意力机制融合网络整合心脏超声特征和心电图特征，融合后的特征向量输入全连接分类网络，输出心源性猝死风险预测概率。见图2。
④模型验证：采用交叉验证方法评估预测性能，计算敏感度、特异度、准确率等指标，绘制受试者工作特征曲线。将多模态深度学习模型与传统方法进行对比，包括单独心脏超声、单独心电图及左室射血分数分层评估方法。
⑤随访管理：患者出院后定期随访，包括门诊复查和电话随访，随访时间点为出院后1个月、3个月和6个月。重点监测心源性猝死事件发生情况，心源性猝死定义为突发的心脏功能丧失导致的死亡或经抢救复苏成功的心脏骤停事件。
1.3 观察指标
①多模态深度学习模型预测心源性猝死的诊断性能，包括灵敏度、特异度、准确度、阳性预测值、阴性预测值和受试者工作特征曲线下面积。②心脏超声参数：左室射血分数、左室舒张末期内径、左室收缩末期内径、左室整体纵向应变、左室整体圆周应变、二尖瓣舒张早期与晚期血流速度比值、左房容积指数。③心电图参数：校正QT间期、QT间期离散度、T波电交替幅度、心率变异性时域指标、心率变异性频域指标、室性早搏数量、室性心动过速发作次数。④单一模态预测方法与多模态融合方法的预测性能差异。
1.4 统计学方法
采用SPSS 26.0统计软件进行数据分析，计量资料以均数±标准差表示，组间比较采用独立样本t检验，计数资料以例数和百分率表示，组间比较采用卡方检验，以P＜0.05为差异有统计学意义。
2 结 果
2.1 两组患者心脏超声参数比较
事件组患者左室射血分数、左室整体纵向应变、二尖瓣E/A值均低于非事件组，左室舒张末期内径、左房容积指数高于非事件组（P＜0.05）。见表2。
表2 两组患者心脏超声参数比较 `x ± s
|
组别
|
|
左室射血分数/%
|
左室舒张末期内径/mm
|
左室整体纵向应变/%
|
二尖瓣E/A比值
|
左房容积指数/(mL/m²)
|
|
非事件组
|
45
|
52.34±6.78
|
51.23±4.56
|
-16.85±2.34
|
0.92±0.18
|
32.45±5.67
|
|
事件组
|
15
|
38.67±7.23
|
58.76±5.12
|
-11.23±2.56
|
0.71±0.15
|
42.78±6.34
|
|
t
|
|
6.234
|
5.187
|
7.456
|
3.892
|
5.623
|
|
P
|
|
<0.001
|
<0.001
|
<0.001
|
<0.001
|
<0.001
|
2.2 两组患者心电图参数比较
事件组患者的校正QT间期、QT间期离散度、T波电交替、室性早搏数量均显著高于非事件组，而全部RR间期标准差显著低于非事件组（P＜0.05）。见表3。
表3 两组患者心电图参数比较 `x ± s
|
组别
|
n
|
校正QT间期/ms
|
QT间期离散度/ms
|
T波电交替/μV
|
全部RR间期标准差/ms
|
室性早搏/(次/24h)
|
|
非事件组
|
45
|
428.34±23.45
|
42.56±8.34
|
38.67±9.23
|
128.45±24.67
|
326.78±145.23
|
|
事件组
|
15
|
478.92±28.67
|
67.89±11.56
|
68.34±12.45
|
78.23±18.45
|
1245.67±356.89
|
|
t
|
|
6.523
|
8.234
|
8.912
|
7.123
|
10.234
|
|
P
|
|
<0.001
|
<0.001
|
<0.001
|
<0.001
|
<0.001
|
2.3 不同预测方法的诊断效能比较
多模态深度学习模型的灵敏度、特异度、准确度及曲线下面积（area under the curve，AUC）均显著高于单一模态方法和传统方法（P＜0.05）。见表4。
表4 不同预测方法的诊断效能比较
|
预测方法
|
敏感度/%
|
特异度/%
|
准确率/%
|
阳性预测值/%
|
阴性预测值/%
|
AUC
|
|
多模态深度学习
|
86.67
|
91.11
|
90.00
|
76.47
|
95.35
|
0.923
|
|
单独心脏超声
|
73.33
|
80.00
|
78.33
|
55.00
|
90.00
|
0.761
|
|
单独心电图
|
80.00
|
82.22
|
81.67
|
60.00
|
92.50
|
0.788
|
|
左室射血分数<35%
|
66.67
|
86.67
|
81.67
|
62.50
|
88.64
|
0.712
|
|
χ²
|
8.456
|
7.234
|
9.123
|
-
|
-
|
-
|
|
P
|
0.015
|
0.027
|
0.010
|
-
|
-
|
-
|
2.4 多模态融合模型特征权重分析
心脏超声特征中左室整体纵向应变权重最高占32.45%，心电图特征中QT间期离散度权重最高占29.78%，心脏超声特征和心电图特征的权重比例为52.34∶47.66。见表5。
3 讨 论
冠心病患者心源性猝死的预测是心血管领域的重要课题。心源性猝死的发生机制复杂，涉及心肌缺血、心脏结构重构和电生理异常等多个病理生理环节，单一指标难以全面评估其的综合风险。本研究构建了多模态深度学习模型，融合了心脏超声和心电图的多维度特征信息，实现了对冠心病患者心源性猝死风险的预测。
心脏超声可无创评估心脏的结构和功能状态。结果显示，事件组患者的左室射血分数显著低于非事件组患者，提示左室收缩功能减退是心源性猝死的重要危险因素。左室射血分数是评估心脏收缩功能的经典指标之一，目前临床指南推荐将左室射血分数≤35%作为植入式心律转复除颤器一级预防的适应证之一［5］。然而，单纯依靠左室射血分数进行风险分层存在局限性，相当比例的心源性猝死发生于左室射血分数正常或轻度降低的患者中。本研究显示，左室整体纵向应变对预测心源性猝死方面具有重要价值，事件组患者的左室整体纵向应变绝对值显著低于非事件组患者。左室整体纵向应变可早期识别亚临床心肌功能异常，对心肌缺血和纤维化更敏感，心肌纤维化可导致心肌电活动传导异常，形成折返环路，增加室性心律失常风险［6］。
心电图可直接反映心脏电生理活动特征。结果显示，事件组患者的QT间期离散度显著大于非事件组患者，QT间期离散度反映了心室复极的不均一性，心室复极不均一可导致心肌不同部位的不应期差异增大，容易诱发致命性心律失常［7］。T波电交替反映心室复极的周期性变化和电不稳定性，本研究中事件组患者的T波电交替幅度显著高于非事件组患者，是恶性室性心律失常的重要预警信号。心率变异性反映自主神经系统对心率的调节能力，事件组患者的心率变异性时域指标显著低于非事件组患者，提示了自主神经功能受损。自主神经失衡是心源性猝死的重要病理生理机制，交感神经兴奋性增高降低室颤阈值，增加恶性心律失常风险［8］。
多模态深度学习技术的应用是本研究的核心创新点。传统的预测模型多采用Logistic回归等统计学方法，难以捕捉复杂的非线性关系和交互作用。深度学习算法能够自动从原始数据中学习高层次的抽象特征，发现数据中的复杂模式和规律。本研究设计的多模态深度学习架构分别针对图像数据和时间序列数据的特点进行优化设计，卷积神经网络能够自动识别心脏腔室形态、室壁运动模式、心肌应变特征等复杂信息，一维卷积神经网络和长短期记忆网络的组合能够有效处理心电信号，学习心率变异性、QT间期动态变化、心律失常模式等电生理特征之一［9-10］。
多模态融合策略是提升预测效能的关键。本研究采用注意力机制融合网络，实现了深度跨模态特征交互。注意力机制能够让模型自主学习不同模态特征之间的关联性与重要性，并自适应分配注意力权重［11-12］。通过交叉注意力模块，心脏超声特征与心电图特征能够相互增强与补充，例如左心室整体纵向应变降低结合QT间期离散度增加，能更全面评估心源性猝死风险［13-14］。本研究的特征权重分析显示，心脏超声特征和心电图特征的权重比例相当，说明心脏结构与功能改变和电生理异常对心源性猝死预测同等重要，多模态融合实现了优势互补［15-16］。
本研究结果显示，多模态深度学习模型预测心源性猝死的AUC达到0.923，显著高于单独使用心脏超声预测的0.761和单独使用心电图预测的0.788，也优于传统左室射血分数分层方法的0.712。模型的灵敏度为86.67%，特异度为91.11%，这样的诊断性能已经满足临床应用要求。高灵敏度保证了对高危患者的早期发现，高特异度则减少了误诊与过度治疗。阴性预测值为95.35%，当模型预测患者为低危时，有95.35%的把握该患者不会发生心源性猝死，可以避免不必要的侵入性干预措施。
从临床应用角度来看，多模态深度学习预测模型能够为冠心病患者的危险分层和个体化治疗提供重要参考［17-18］。对于模型预测为高危的患者，应当加强监测和随访，优化药物治疗，积极控制心律失常，必要时考虑植入式心律转复除颤器植入。对于预测为低危的患者，可以采取相对保守的治疗策略，避免过度医疗［19-21］。
综上所述，多模态深度学习融合心脏超声与心电图特征能够有效预测冠心病患者心源性猝死风险，预测性能显著优于传统单一模态评估方法。本研究建立的预测模型具有较高的敏感度、特异度和准确率，能够为临床危险分层、治疗决策和预后评估提供重要参考，有望改善冠心病患者的管理策略，降低心源性猝死发生率。未来需要开展更大规模、多中心的前瞻性研究，进一步验证和优化预测模型，推动多模态深度学习技术在心血管疾病预测领域的临床转化应用。
