基于图神经网络（GNN）的中风后心房颤动风险预测：一种新型定制相似性度量与可解释性分析框架

　　本研究针对传统机器学习方法在中风后房颤（AF）风险预测中难以捕捉患者间复杂关联的问题，创新性地构建了基于图神经网络（GNN）的预测模型。研究人员利用MIMIC-IV数据库，通过提出的定制相似性度量方法构建患者关系图，采用图卷积网络（GCN）和图注意力网络（GAT）进行训练。结果表明，GAT模型表现最优（AUC=0.84），显著优于随机森林（AUC=0.78）等传统方法。该研究不仅提高了预测精度，还通过节点特异性Shapley值分析和注意力系数可视化增强了模型可解释性，为临床AF风险预测提供了新思路。

　　

中风是全球致残和致死的主要原因之一，近年来患病人数翻倍，约63%的病例发生在70岁以下人群。中风后患者常面临多种心血管并发症风险，其中心房颤动（Atrial Fibrillation, AF）是最常见的心律失常，更是缺血性中风的重要诱因。全球约5900万人受AF影响，每年约有150万新发AF病例与中风相关。值得注意的是，AF相关的中风通常更为严重，因此及时识别中风后AF风险对预防复发至关重要。

然而，传统统计方法和机器学习算法（如逻辑回归、随机森林等）在开发AF风险预测模型时存在明显局限。这些方法通常假设患者间完全独立，未能充分利用患者间可能存在的关联（如共享相似临床特征）。此外，它们往往以孤立或二元方式处理中风风险因素，难以捕捉复杂的交互作用。临床实践中，约10%的缺血性中风患者通过标准诊断检查发现新发AF，另有10%可通过延长监测诊断，但仍有相当比例患者漏诊，错失抗凝治疗等关键干预时机。

为突破这些限制，Cristian Y. Rivera-Juzga等研究人员在《Computers in Biology and Medicine》发表了一项创新研究，开发了一种基于图神经网络（Graph Neural Networks, GNNs）的框架，用于预测危重中风患者的AF风险。该研究利用Medical Information Mart for Intensive Care (MIMIC)-IV数据库（v2.2）中1949名中风患者的数据，构建了以患者为节点、以医疗诊断相似性为边的图结构，重点比较了图卷积网络（Graph Convolutional Networks, GCN）和图注意力网络（Graph Attention Networks, GAT）的性能。

研究采用的关键技术方法包括：1）从MIMIC-IV数据库中提取中风患者数据（包括ICD-10诊断编码、人口统计学、入院24小时内生命体征和血液检验平均值、AF发生情况等）；2）提出一种新型定制相似性度量方法（与余弦相似度对比）用于构建患者关系图；3）使用Optuna超参数优化框架进行图结构和GNN架构的调优；4）采用GNNExplainer和注意力可视化等技术增强模型可解释性；5）通过ROC曲线、SHAP值、t-SNE降维等多维度评估模型性能。

2.3. Graph construction

研究人员将每位患者视为图中的一个节点，节点特征包括人口统计学、实验室检验和生命体征数据。边的构建基于患者间诊断的相似性，使用两种方法计算相似度矩阵：传统的余弦相似度和本研究提出的定制相似性度量。定制方法通过计算两患者共享诊断数量除以两者中最大诊断总数，得到更个体化的相似系数，有效避免了诊断数量较多患者固有的相似度偏差。最终通过优化阈值确定是否创建边，形成无向未加权的图结构。

3.4. Model results

模型比较结果显示，GNN模型普遍优于传统机器学习方法。最佳性能的GAT模型（使用定制相似性）AUC达到0.84（95%CI: 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，性能最好的传统模型随机森林AUC为0.78（95%CI: 0.74-0.82）。值得注意的是，使用定制相似性度量的GCN和GAT模型性能均显著优于使用余弦相似度的版本，表明提出的相似性计算方法有效提升了模型表达能力。

3.5. Feature importances

通过SHAP值和GNNExplainer分析特征重要性，发现不同模型间存在差异。随机森林模型中，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，特征重要性呈现明显的患者特异性：对患者218，中风诊断优先级最重要；对患者1643，既往中风入院次数最关键。GAT模型由于注意力机制更关注节点间关系，所有特征重要性得分相对接近，但平均呼吸频率、患者历史数据（如上次入院天数）等仍显示出较高重要性。

3.6. GAT attention visualisations

注意力可视化揭示了GAT模型的工作原理。以节点218为例，其最相关的五个节点中，三个同为AF患者，两个为非AF患者。通过比较这些患者的临床特征，发现AF患者普遍具有较低血压、血红蛋白和舒张压，以及较高呼吸频率。注意力系数最高的节点1389与节点218在血红蛋白值上高度相似，表明模型能有效识别临床特征相似的患者群体。t-SNE降维可视化进一步显示，模型最终注意力层的节点嵌入能够较好区AF和非AF患者。

该研究的结论部分强调，GNNs特别是GAT模型，在中风后AF风险预测中表现出显著优势，其成功源于能够捕捉患者间复杂关系的能力。提出的定制相似性度量方法通过考虑诊断数量差异和共享诊断情况，比传统余弦相似度更适用于医疗图结构构建。研究还展示了多种可解释性技术（节点特异性SHAP分析、注意力可视化等）在医疗AI中的价值，使临床医生能够理解模型决策依据并识别重要特征模式。

这项研究的重要意义在于：其一，为AF风险预测提供了更准确的工具，有望改善中风患者管理并预防复发；其二，提出的方法论不仅限于AF预测，可推广至其他临床风险预测场景；其三，通过可解释性分析增强了医生对AI模型的信任和接受度；其四，为个性化医疗提供了技术支持，通过患者特异性特征重要性分析实现更精准的干预。该研究代表了医疗AI向更精准、可解释和临床实用方向发展的重要一步，最终有助于改善患者预后和医疗资源分配。