基于图神经网络提升卒中后新发心房颤动预测的研究

　　本研究针对卒中后心房颤动（AF）风险预测中传统机器学习方法忽略患者间关联性的问题，创新性地构建基于医疗诊断相似性的患者关系图，采用图卷积网络（GCN）和图注意力网络（GAT）进行建模。结果表明，基于自定义相似性度量的GAT模型预测性能最优（AUC=0.84），显著优于随机森林等传统算法，为临床风险分层提供了可解释的智能化工具。

　　

当血液供应突然中断导致脑组织损伤时，卒中这种严重的医疗事件便会发生。全球有超过1亿人承受着卒中后遗症的影响，且约63%的患者年龄低于70岁。更严峻的是，卒中患者常面临发生心血管事件的高风险，其中心房颤动（Atrial Fibrillation, AF）作为最常见的持续性心律失常，不仅是缺血性卒中的重要诱因，更会使卒中病情更加严重。据统计，每年约有150万卒中患者新发AF，但相当比例的患者因未确诊而错过最佳干预时机，导致复发卒中风险显著升高。

传统预测模型如逻辑回归、随机森林等机器学习算法，虽然被广泛应用于临床风险预测，但存在明显局限：它们通常假设患者之间完全独立，忽视了潜在的患者间关联性（如共享相似临床特征或病史）。这种简化处理可能丢失重要信息，影响模型预测精度和泛化能力。

为突破这一瓶颈，研究者们将目光投向图神经网络（Graph Neural Networks, GNNs）。这类模型能够显式建模对象间复杂关系，已在社交网络、生物信息学等多个领域展现出强大能力。具体到医疗领域，将患者视为图中的节点，并通过边表示患者之间的相似性，有望利用群体信息增强个体预测效果。

本研究基于MIMIC-IV重症监护数据库，纳入1949名卒中患者数据，涵盖诊断信息、 demographics、入院24小时内生命体征和实验室检验平均值等变量。研究团队创新性地提出了一种自定义的患者相似性计算方法，替代常用的余弦相似度，用以构建患者关系图。该方法通过计算患者间共有诊断数量与最大诊断数的比值，更好地处理了诊断数量不平衡带来的偏差。

在模型构建方面，研究人员系统比较了图卷积网络（GCN）和图注意力网络（GAT）与传统机器学习方法（逻辑回归、XGBoost和随机森林）的性能差异。通过Optuna框架进行超参数优化，确定了最佳图结构和模型参数配置。在模型可解释性方面，采用了节点特异性SHAP值分析和基于注意力系数的邻居关系可视化方法，为预测结果提供临床洞察。

关键技术方法包括：从MIMIC-IV(v2.2)提取卒中患者多模态数据；使用自定义相似性度量与余弦相似度两种方法构建患者关系图；采用GCN和GAT模型进行节点分类预测；通过Optuna进行超参数优化；使用SHAP和GNNExplainer进行特征重要性分析；利用t-SNE可视化注意力机制效果。

研究结果方面，数据集分析显示共纳入1949名卒中患者，其中12%在ICU入院24小时后发生AF事件。经过预处理后，最终保留37个临床变量和4129种诊断代码用于建模。

在模型性能比较中，GNN模型显著优于传统方法。最佳表现的GAT模型达到AUC 0.84[0.81-0.87]，准确率0.80，召回率0.73，精确度0.35，F1分数0.47，特异性0.81。相比之下，随机森林（最佳传统模型）的AUC为0.78[0.74-0.82]。特别值得注意的是，使用自定义相似性度量的GNN模型性能明显优于使用余弦相似度的版本，证明图构建方法对模型效果的关键影响。

特征重要性分析揭示了不同模型间的差异。随机森林模型显示格拉斯哥昏迷评分(GCS)、年龄和舒张压是最重要预测因子。而在GCN模型中，特征重要性呈现患者特异性：对患者218而言，卒中诊断优先级最重要，而对患者1643，既往卒中入院次数最具预测价值。GAT模型则显示呼吸频率、血红蛋白水平和历史就诊数据的重要性，但不同患者间的特征重要性差异较小，表明GAT更注重通过注意力机制整合邻居信息。

注意力可视化分析以患者218为例，展示了五个最相关邻居节点及其注意力系数。通过比较这些患者的临床特征，发现AF患者普遍表现出较低的血压和血红蛋白水平，以及较高的呼吸频率，这些模式与医学知识一致，验证了模型的可解释性。

t-SNE降维可视化显示，GAT模型的最终注意力层能够有效区分AF与非AF患者，表明模型学习到了有区分度的患者表示。

讨论部分指出，本研究首次系统地将GNN应用于卒中后AF风险预测，并证明其相对于传统方法的优势。自定义相似性度量通过考虑诊断数量不平衡问题，提高了图构建质量。GAT模型的注意力机制不仅提升了预测性能，还提供了患者间关系的可视化解读，为临床决策支持提供了透明化工具。

研究的临床意义在于：首先，为卒中患者AF风险 stratification提供了更准确的工具；其次，患者特异性特征重要性分析有助于个性化医疗；最后，注意力权重的可视化使医生能够理解模型推理过程，增加临床可信度。该方法可扩展到其他疾病的风险预测场景，具有广泛的应用前景。

该研究也存在一些局限性：图中边仅基于诊断相似性构建，未纳入其他临床数据模态；未来可探索多模态图构建方法。此外，外部验证需要在其他数据集上进行以评估泛化能力。

综上所述，这项发表在《Computers in Biology and Medicine》的研究证明了图神经网络在医疗风险预测中的价值，特别是通过创新的相似性度量方法和注意力机制，实现了准确且可解释的卒中后AF预测，为智能医疗决策支持系统的发展提供了重要参考。