瓦伦西亚理工大学 (UPV) 信息与通信技术研究所 (ITACA) COR 小组的研究人员开发了一种人工智能模型，可以利用身体表面的电记录来定位和量化与心房心肌病相关的组织异常。
系统，基于图神经网络（图神经网络、GNN），定位受影响区域的准确度为 89%，确定心房组织受损程度的准确度为 84%。此外，它在分析训练期间未使用的解剖结构时保留了这种功能。
下一步：在患者身上进行验证
该研究仍然是使用模拟数据开发的概念验证；因此，其结果并不意味着立即应用于临床。下一步是使用真实患者的记录验证模型。正如研究本身指出的那样，“在将这种方法转移到治疗计划应用之前，需要使用临床记录进行前瞻性验证”。如果结果在临床试验中得到证实，该技术将有助于开发新工具，无需侵入性操作即可表征心房组织，并为心房心肌病相关疾病的研究和治疗提供更多信息。
该研究发表在科学杂志上 探索计算COR-ITACA 由研究员 Maria Macarulla-Rodriguez 领导，成员包括 ITACA 的研究人员 Jorge Sánchez、Andrew M. Clement 和 Maria S. Guillem、Corify Care SL 的成员，以及 Cristian Barrios Espinosa 和 TexelNrue 研究所的成员。 Jacur（Corify Care SL）。
该研究的主要结论是，体表电图、时空分析和图神经网络的结合显示了心房心肌病无创表征的巨大潜力。
玛丽亚·马卡鲁拉（Maria Makarullah），该论文的主要作者
研究心房组织的新方法
心房心肌病涉及心房组织的电和结构异常，例如纤维化，其与房颤的发作和进展相关，房颤是最常见的心律失常之一。 ITACA 主任兼研究参与者玛丽亚·S·吉列姆 (Maria S. Guillem) 表示：“了解变化的组织在哪里以及其范围有多大，可以帮助我们更好地了解这种疾病并计划消融等治疗方案。”
目前，侵入性心内电解剖测绘或特定磁共振成像 (MRI) 扫描等技术可用于表征这些异常。新方法建议使用通过放置在躯干上的电极获得的体表电位图（BSPM）来记录心脏的电活动。 ITACA 主任解释说：“人工智能分析这些信号在空间中的分布方式以及它们如何随时间演变，以识别与受影响组织的位置和范围相关的模式。”
定位准确度为 89%
为了开发和评估该模型，该团队使用了 14,400 个模拟体表电位图，这些图是根据不同的心房和躯干解剖结构以及不同程度和位置的心房心肌病生成的。 “在具有 128 个电极的基线配置中，该模型在定位受影响组织方面实现了 89% 的准确度，平均值为 89% 的灵敏度和 90% 的特异性，”Maria Makarulla 强调说。
最重要的发现之一是，该系统在分析不同解剖结构时比用于训练的解剖结构时能够表现良好，这是未来在具有不同解剖特征的个体中应用的关键点。 “该模型在确定受影响组织的范围方面获得了 84% 的总体准确度。此外，我们发现当信号质量下降时，其性能保持相对稳定，这表明它对噪声具有一定的鲁棒性，”Maria Makarulla 说。
结果还表明，训练数据的解剖多样性是一个关键因素：包括各种心房和躯干模型提高了系统的分类能力。
来源：
瓦伦西亚理工大学
期刊参考：
马卡鲁拉-罗德里格斯，M.， 和其他人。 (2026) 用于根据体表电位图对心房心肌病进行分类的图神经网络框架。 探索计算。 DOI：10.1007/s10791-026-10439-9。
Leave a Reply