通过可解释且负责任的人工智能框架推进心血管疾病诊断

为何更智能的心脏筛查至关重要

心脏病仍然是全球主要死亡原因之一，常常在毫无预警的情况下发作。许多人只有在一次令人恐慌的急诊经历后才发现问题。本文研究探讨了一种新型人工智能如何及早发现警示信号，并利用问卷式的简单信息与常规医学检测为医生和患者提供更公平、更值得信赖的决策支持。

从迟发发现到早期预警

传统的心脏检查依赖于门诊就诊、设备和专家。心电图、运动负荷试验和血液检查等检测很有价值，但通常是在出现症状后才会被下达。作者表明，个人可自述的常见细节——如胸部不适、运动习惯和基本健康史——已蕴含大量关于未来心脏问题的隐含信息。通过在来自多家医院和不同国家的大型心脏数据集上训练模型，他们构建了可在手机应用或社区自助终端上运行的早期预警系统，能在患者见到心脏科医生之前就触及更多人群。

两条心脏筛查路径

研究人员设计了双轨系统。一条轨道仅使用非临床特征，即个人在无需化验的情况下可以回答的信息，用以评估谁可能属于高风险并应就医。第二条轨道使用一小组基于检测的特征，例如心电图中的模式以及血脂和血糖水平，以支持门诊中更精确的诊断。他们谨慎地结合了多种机器学习模型，包括常见的树模型与为表格型医疗记录设计的新型神经网络，并在来自不同地区的数据上进行测试，以确保系统超越单一医院的适用性。

让黑箱变得不那么神秘

在关乎生命的场景中，纯粹的准确性还不够，因此团队着重于让系统变得可理解。他们使用解释工具展示哪些输入在驱动每个预测，以及影响的强弱。这些分析显示，心电信号中的细节，例如某些段的坡度和深度，是疾病最有力的线索之一，甚至在该数据集中比年龄或胆固醇更重要。他们还生成“如果……会怎样”的情景，提示可以将预测从“有病”翻转为“健康”的最小改变，比如缓解运动相关的胸痛或改善运动时的心率，使模型成为可能的生活方式改进指南，而不是沉默的裁判。

为公平与置信度而设计

因为医疗工具可能会加剧现有的不平等，作者检查了系统在不同群体中标记疾病的频率。早期版本更倾向于在男性而非女性中预测心脏问题，反映了数据中的模式。为了解决这一点，他们对训练记录进行重平衡，并使用先进方法生成现实的合成病例，改善了性别与数据中隐含区域簇的公平性。他们还构建了一种特殊的神经网络，不仅输出是/否答案，还给出置信度度量，帮助医生判断何时应信任模型、何时应进一步审查。

对日常护理的意义

最终，该框架在大约十分之九的情况下给出正确判断，同时说明了每次决策的原因、不确定性程度以及其在不同群体间的公平性。对普通人而言，这意味着未来通过简单问卷或基于手机的检查就能获得就医的早期提示；对门诊而言，能获得更透明且更符合健康监管要求的人工智能支持。该类负责任的人工智能并非要取代医生，而是旨在更早发现心脏病、引导更健康的选择，并更均衡地共享先进诊断的益处。

引用: Hasan, K.S., Dhrubo, I.S. Advancing cardiovascular disease diagnosis with an interpretable and responsible AI framework. Sci Rep 16, 15452 (2026). https://doi.org/10.1038/s41598-026-35451-3

关键词: 心血管疾病, 心脏风险预测, 医疗人工智能, 可解释人工智能, 医疗公平性