基于多模态数据的心力衰竭心功能分级研究
摘要
心力衰竭具有高发病率和死亡率，心力衰竭的诊断与治疗给患者带来了极大的生活
负担，如何高效地诊断和管理心力衰竭患者是医疗保健系统面临的一个主要挑战，这其
中包括心力衰竭的早期检测和心力衰竭严重程度的估计，因此开发一个心力衰竭诊断模
型和心功能分级模型具有一定的社会意义和研究价值。在心力衰竭预防、检测和管理指
南中，心力衰竭的诊断流程包括心电图检查、超声心动图检查、生化检查以及其他常规
检查，涉及多种模态数据，而目前已有的使用机器学习进行心力衰竭诊断或心功能分级
的研究中使用的数据多为单模态数据，忽略了多种模态数据之间的信息互补。因此本文
提出了一种多模态数据融合方法，并首次使用心电图、超声心动图和生化检查数据进行
心力衰竭诊断和心功能分级研究。本文的主要工作如下：
首先，本文构建了两个多模态数据集，根据心力衰竭诊断指南从医院的病案数据中
抽取了4190份心力衰竭相关病案数据和1976份心功能分级相关病案数据，从每份病案
中提取了所需的心电图、超声心动图报告和生化检查三种数据。鉴于本文中心电图数据
噪声较强，本文进行了心电图数据降噪处理，另外对超声心动图报告数据和生化检查数
据进行了缺失值填充和归一化等数据预处理。
其次，本文研究了多模态数据表示和融合方法，提出了一种心电图数据、超声心动
图报告数据和生化检查数据的融合方法。为了提取融合后的多模态数据中的特征，本文
基于残差网络和卷积网络构建了一个特征提取神经网络模块。然后基于多模态数据融合
方法和特征提取神经网络模块构建了一个心力衰竭诊断模型，并通过结合深度学习和统
计机器学习构建了一个心功能分级模型。
最后，本文进行了心力衰竭诊断实验和心功能分级实验。在心力衰竭诊断实验中，
最终诊断结果准确率达到了93.95%，AUC为0.98，验证了本文提出的心力衰竭诊断模
型的有效性。在心功能分级实验中，最终实验结果准确率达到了91.20%，F1值为91.11%，
相较于只使用深度学习提高了7.6%的准确率。本文还对两个实验进行了消融实验，实验
结果表明，基于多模态数据的心力衰竭诊断实验和心功能分级实验的各项评估指标相比
于单模态数据具有明显的提升。
关键词：多模态；机器学习；心力衰竭；心功能
基于多模态数据的心力衰竭心功能分级研究
Abstract
Heartfailureisassociatedwithhighincidenceandmortalityrates,leadingtoasignificant
burdenonpatients’lives.Diagnosingandtreatingheartfailureisasignificantchallengeforthe
healthcaresystem,requiringtheearlydetectionofheartfailureandtheassessmentofitsseverity.
Developingaheartfailurediagnosismodelandheartfunctiongradingmodelisofgreatsocial
significanceandresearchvalue.Intheguidelinesfortheprevention,detection,and
managementofheartfailure,thediagnosticprocessinvolveselectrocardiogram,
echocardiography,biochemicalexamination,andotherroutineexaminations,encompassing
multi-modaldata.However,mostexistingresearchutilizingmachinelearningforheartfailure
diagnosis