一种结合多模态数据的细粒度Transformer用于急性冠脉综合征住院时长预测

为什么住院时长很重要

对于因胸痛或心肌梗死被紧急送入医院的人而言，他们需要住院多久不仅仅是一个好奇的问题。它影响病人何时能得到病床、其他病人何时能入院、每班需要多少护士，甚至决定家庭将承担的费用。该研究提出了一种新的人工智能系统，用于估计急性冠脉综合征患者的住院时长——这类危险心脏病由冠状动脉阻塞引起——该系统不仅利用病历数据，还直接分析精细的心脏影像。

窥探堵塞的心脏动脉

医生已经依赖计算机断层扫描（CT）来观察心脏的血管，并发现可能引发急性冠脉综合征的狭窄或堵塞。这些血管是长而分支的管道，病变的微小片段可能只占每张影像的一小部分。传统的计算模型常常将这些扫描汇总为粗略的量化指标，从而可能忽略动脉受损的具体位置和严重程度。新方法称为FRAME，更精细地处理CT图像，旨在捕捉血管形态的细微变化，这些变化可指示患者的病情严重程度以及可能的住院时间。

教计算机读懂血管形状

研究者首先设计了一种让计算机自我学习健康与病变血管外观的方法，而无需人为标注每张图像。他们对每张CT图像进行温和的亮度与形状变换，这些变换在不抹去实际病灶区域的前提下改变图像。通过比较原始与变换后的同一扫描，系统学习到在图像变换时哪些特征应保持不变、哪些会改变。这种“自监督”训练帮助模型关注血管的真实三维模式——比如弯曲、狭窄和不规则的血管壁——而不是被噪声或无关背景结构干扰。

放大微小病灶区域

经过这种训练后，FRAME在分析新CT扫描时采用小块（patch）而非将整张图像视为一个整体。注意力机制会对每个小块加权，突出那些与病变最相关的区域，从而有效放大狭窄或受损血管区域，同时弱化健康区域。并行地，系统还处理来自电子病历的信息，包括年龄、心率、肾功能、炎症指标和血细胞计数。一个细粒度融合步骤让CT小块与病历数据相互影响，使用Transformer——与许多现代语言模型相同的架构——将血管损伤的影像模式与化验结果和生命体征的模式连接起来。

将模型付诸检验

为评估FRAME的性能，团队将其应用于2015年至2021年间在上海一家大型胸心医院治疗的615名患者数据。每位患者均有CT影像和详细病历记录，并伴有实际住院时长。研究者将FRAME与16种领先的替代方法进行了比较，这些方法涵盖了经典的机器学习算法、高级图像网络和多模态模型。在全部患者群体以及住院时长从不足5天到超过两周的四个区间中，新系统均持续提供最准确的预测，平均误差约为一天，预测与实际住院时长的匹配度也非常高。

看清模型所见

除了纯粹的准确性外，团队还检查了FRAME在图像中“注视”的位置以及它依赖的病历特征。被突出的图像小块几乎总是对应可见病变的血管段，这表明模型学到了有临床意义的模式，未来可能帮助放射科医生自动勾勒病灶。在病历数据中，心率、肾功能指标、尿酸、炎症蛋白和某些血细胞比率权重最高——且每项与患者住院时长之间都有明确的统计关联。这与以往的临床研究一致，给医生带来更多信心，认为系统的推理在医学上是合理的。

这对病人和医院意味着什么

简而言之，这项研究表明，将丰富的心脏影像与常规床旁测量精心结合，能比现有工具更准确地估计急性冠脉综合征患者的住院时长。通过关注病变血管的精确形态和最具提示性的化验结果，FRAME有望帮助医院更好地规划床位与人员配置、及早识别高风险患者，并可能加速繁忙临床医生的影像审查。作者指出，在这类系统用于日常临床决策之前，仍需更大且更多样化的数据集，但他们的工作展示了朝着更智能、更高效的心脏急症管理迈出的有希望的一步。

引用: You, L., Cen, X. & Wang, S. A fine-grained transformer combined with multimodal data for predicting hospital length of stay in acute coronary syndrome. Sci Rep 16, 11465 (2026). https://doi.org/10.1038/s41598-026-41279-8

关键词: 急性冠脉综合征, 住院时长, 心脏CT成像, 医学人工智能, 多模态预测