Integrating Echocardiographic Images with Medical Records for Continuous Patient Stratification
内容提要
该文综述了机器学习在心血管诊疗中的多种应用，包括：基于超声心动图的可解释机器学习方法，支持多视频训练并能高准确检测主动脉瓣狭窄；利用心脏磁共振及放射报告文本的自监督对比学习模型，实现左心室射血分数回归和35种疾病诊断；从电子健康记录学习医学概念与患者表示；深度度量学习评估心衰；视觉Transformer从心电图图像检测心脏病；解析超声报告验证射血分数；EchoCLIP多模态图像文本关联；CAMUS数据集自动分割；LLM与ViT心电图检索及无监督患者表示等研究。
延伸解读
多模态融合是贯穿全文的主线
文章列举的研究大多围绕图像与文本、信号与记录的联合建模展开：EchoCLIP关联心脏超声图像与文本，自监督对比学习利用放射报告文本学习视觉概念，LLM与ViT将心电图编码为图像进行检索。这说明心血管机器学习正从单一模态走向多模态融合，以更贴近临床真实数据的复杂性。
可解释性与数据效率并重
文中特别强调基于超声心动图的方法“具备解释性”，深度度量学习模型“在有限标签数据情况下表现良好”，自监督模型“仅需要一部分通常用于这种任务的训练数据”即可达到临床级准确率。这反映出该领域在追求性能之外，也在回应临床对模型可信度和标注成本的实际关切。
从算法研究走向临床工作流
解析超声报告验证射血分数的系统被用于筛选适合远程监测的心衰患者，并称在12个月中为临床医生节省超过1500小时。这类案例表明，部分研究已不止于算法验证，而是嵌入资格判定、规模化处理等具体流程，其价值体现在对临床人力负担的实际缓解。
数据集与外部验证仍是关键支撑
文章提到CAMUS数据集用于自动分割评估，自监督模型在美国四家机构训练并在英国BioBank及两个公开数据集上验证，报告解析系统在MIMIC-IV-Note上实验。这些信息提示，公开数据集和多中心外部验证是支撑结论可信度的重要基础，也说明分割等任务仍有改进空间。
Q&A
机器学习在超声心动图领域有哪些具备解释性的应用？
文章提到一种具备解释性且适用于多视频训练的机器学习方法，用于心脏疾病的诊断和解释，尤其在主动脉瓣狭窄检测中具有高准确性。
自监督对比学习模型如何利用心脏磁共振和放射报告文本进行疾病评估？
该模型通过学习心脏磁共振扫描伴随的放射学报告原始文本中的视觉概念，实现左心室射血分数回归和35种不同病症（如心脏淀粉样变及肥厚型心肌病）的诊断，并在多个大型临床机构数据上训练评估，展示出卓越性能。
如何从电子健康记录中学习医学概念和患者表示以优化诊疗？
文章提出一种数据驱动的方法，将电子健康记录中的医疗概念和患者转化为临床有意义的构建特征，通过时间关系学习医学概念表示和病人向量，从而优化诊断和治疗性能。
在标签数据有限的情况下，如何评估心脏衰竭患者的压力？
研究使用电生理信号等非侵入性方法评估心脏压力，提出基于深度度量学习的模型，在有限标签数据下表现良好，并在患者亚组间具有高度性能表现。
视觉Transformer如何用于从心电图图像中检测心脏病？
文章使用先进的视觉转换模型从心电图图像中检测心脏疾病，并与现有研究比较，结果显示该框架具有显著的分类结果。
EchoCLIP模型有哪些多模态应用场景？
EchoCLIP是基于多模态深度学习的心脏超声图像和文本关联模型，可用于心脏功能评估、植入性心内设备识别、临床变化检测和图像-文本搜索。
CAMUS数据集在心脏超声自动分割中表现如何？
文章介绍的新数据集CAMUS用于心脏超声检测，评估使用深度卷积神经网络自动分割心脏结构及估计临床指标，结果表明该方法优于传统非深度学习方法，但仍需改进，可用于2D心脏超声图像的准确自动化分析。
如何利用大语言模型和Vision-Transformer实现心电图检索？
研究采用大型语言模型和Vision-Transformer模型，通过将心电图编码为图像并采用视觉语言学习范式自动识别相似临床病例，实现有效的ECG检索系统，可在临床应用中提供诊断服务。
