核心观点 - AI模型MAARS通过深度学习方法处理原始MRI图像，实现对心源性猝死风险的高精度预测，准确率达89% [1][2] - 该模型能够捕捉传统心脏MRI检查遗漏的关键风险信号，如隐藏的纤维化瘢痕模式，显著提升肥厚型心肌病的诊断率从50%至近90% [5][7][11] - 在40-60岁高危人群中，诊断准确率进一步提升至93% [10][12][20] 技术架构 - MAARS采用3D视觉Transformer架构，包含三个单模态分支网络（LGE-CMR、CIR、EHR）和一个多模态融合模块（MBT），避免数据拼接导致的过拟合 [14][15] - LGE-CMR分支直接分析原始MRI图像，保留未处理信息，消除人工解读主观性 [16] - 模型整合40项EHR结构化数据和27项专业影像指标，通过3D-ViT学习三维空间特征，实现多模态医疗数据深度融合 [18][19] 性能优势 - 预测准确率（AUROC）达89%，较传统临床指南（如ACC/AHA、ESC）提升0.27-0.35 [20][21] - 具备可解释性设计，通过Shapley值分析和注意力机制可视化，明确高风险因素（如左心室侧壁纤维化占比超15%） [23][24][25] - 辅助制定个性化医疗方案，如精确评估除颤器植入需求或优化药物治疗策略 [27] 研究背景与未来方向 - 由约翰霍普金斯大学Natalia Trayanova团队开发，其曾获NIH先锋奖并入选国际女性科技名人堂 [28][29][30] - 团队计划将MAARS扩展至扩张型心肌病、缺血性心脏病等更多病种 [32] - 前期研究基础包括2022年构建的多模态模型用于预测梗死患者心脏骤停风险 [31] 数据引用 - 肥厚型心肌病临床诊断准确率仅50% [5] - MAARS将诊断率提升至近90%，40-60岁人群达93% [11][12] - 模型整合40项EHR数据和27项影像指标 [18]