您现在可以挽救生命！现在可以通过AI捕获传统的心脏磁共振测试（MRI）中可能会丢失的关键风险信号。上次发表在自然子问题上的研究：多模式MAARS模型使用深度学习方法第一次处理原始的磁共振图像，以高精度预测突然心脏死亡的风险（SCDA），精度率高达89％。这项研究来自约翰·霍普金斯大学。目前，肥厚性心肌病的临床诊断精度仅为50％，因此，当确定患者是否需要采取保护性措施（例如除颤器）时，医生通常会选择“转弯骰子”。 MAARS模型使用3D视觉变压器体系结构直接分析原始LGE-CMR信号的强度（图像改进的心血管磁共振），以避免手动解释的主观性。该模型可以缩小隐藏的纤维化疤痕模式原始磁共振图像的NS。医生以前已经忽略的这些微妙的结构变化是引起致命心律不齐的重要体征。目前，MAAR可以将这些隐藏的病理信息转换为可量化的风险指标，发现甚至高级心脏专家也可以提前忽略的致命风险。 MAAR的核心优势，在40至60年中，诊断精度高达93％，是首次通过融合多模式数据和3D VIT技术的精确识别和心脏纤维化疤痕风险的预测。您可以分析医生无法解释的原始磁共振图像，捕获精确的心脏伤疤模式，并将肥厚性心肌病的诊断率提高到50％至几乎90％。即使在40至60岁的人中，诊断精度也达到93％。 MAARS基于跨架构，包括三个IND生态模态分支网络和多模式融合模块。该设计允许模型从几个数据中提取特征，通过MBT（多模式融合模块）学习模式间相互作用，有效地整合了知识并避免了由数据简单拼接引起的上述问题。三个分支网络是LGE-CMR（具有改进的心脏磁共振分支），Rama CIR（心脏图像报告）和EHR分支（电子健康记录）。 LGE-CMR分支使用3D-VIT技术直接分析原始图像，保留扫描中的完全处理信息，从而消除了人工图像的解释的主观性。 MAAR的进步也反映在多模式医学数据整合的深层能力中。该模型不仅使用EHR处理40个结构化数据（例如，年龄，家族史，运动耐受性测试）。此外，可以使用Ultrasou分析27个专用指标ND和CMR报告（左心室射精分数，出口地道压力差等）。直接通过3D-VIT网络直接了解LGE-CMR图像的3D空间特性。这种模式积分允许捕获未反映在单一类型数据中的病理关联。例如，可以将ECG异常与心肌纤维化程度相结合，形成更全面的风险评估系统。在内部验证中，MAARS（AUROC）的预测精度达到89％，在40至60年的高风险组中增加了93％。与传统的临床指南（ACC/AHA，ESC指南等）相比，改进0.27-0.35，并改变了患有HCM风险的分层精度不足（肥厚性心肌病）的当前状态。与黑匣子AI不同，Maars具有可解释的设计，可以清楚地表明为什么患者通过Shaley价值分析具有很高的风险（这可以在多大程度上量化每个输入功能COntributes to模型的预测模型）和护理机制的可视化。例如，左心室侧纤维化代表超过15％，在LGE-CMR护理图中，它不是持续的心室心动过速。高风险患者专注于高风险患者（红色）和低风险，采用了周围组织的方法（蓝色）。这种透明的分析不仅提高了临床可靠性，而且还有助于制定个性化的医疗计划。例如，如果该模型表明患者由于特定的疤痕模式而具有高风险，那么如果其他干预措施（例如植入除颤器或优化药物治疗策略），医生可以评估更准确的评估，这不仅是基于不确定率的风险，而且是必要的。研究团队和未来解决了这项技术是由约翰·霍普金斯大学（Johns Hopkins University）的纳塔利娅·特雷贾诺瓦（Natalia Trejanova）教授领导的团队开发的。 2013年，他因PI获得了先驱NIH奖计算心脏病学系的一项贡献，是国家卫生研究所授予创新科学家的最高荣誉。 2019年，它被包括在国际妇女科学和技术名声（该奖项颁发给全球五名杰出女性）中。他的团队在2022年建立了多模式模型，以预测梗塞患者心脏骤停的风险。目前，研究人员计划扩展到更多的疾病，例如心肌病和缺血性心脏病，扩展了MAARS算法并促进心血管疾病中AI的传播。精确的预测已成为现实，现在患者和医生最终可以稍微留下一些思想。论文中的链接：https：//www.nature.com/articles/s44161-025-00679-1参考链接：https：//www.sciendaily.com/releases/2025/07/25070222214205.htm progrerso