用无监督学习读懂心脏 PET/MRI：一项针对遗传性心肌病的多模态影像研究

导语

心脏疾病影像正在进入“多模态、定量化”的阶段，但如何把 PET 与 MRI 中的大量信息组织成可解释的临床线索，仍然是难题。来自法国南特大学、南特大学医院及合作机构的研究团队在 arXiv 发布了一项初步研究，提出一种无监督机器学习策略，用于处理致心律失常性左室心肌病患者的同步 PET/MRI 数据。

这类心肌病属于遗传性疾病，临床诊断并不容易，原因之一是缺少统一的金标准。PET/MRI 可以同时提供结构、组织特征和代谢活动等信息，但多种图像指标叠加后，医生需要面对更复杂的空间异质性。研究的重点并不是训练一个直接下诊断结论的黑箱模型，而是建立一种跨患者、跨区域的影像整理方法，让异常模式更系统地浮现出来。

核心要点

• 数据来源与模态：研究使用了 99 名经基因诊断的致心律失常性左室心肌病患者数据，包含 T1 图、T2 图、LGE 以及 18F-FDG-PET 图像。
• 两阶段聚类流程：团队先对每位患者的影像独立进行 z-score 标准化，并整合为单一体数据，再聚类为超体素；随后通过谱聚类得到 32 个跨患者超体素组。
• 异常评分机制：研究为每个聚类和每种影像模态分配“异常度”评分，用于标注可能与疾病相关的异常区域。
• 自动化报告：这些评分进一步被转化为文本报告和心脏牛眼图报告，帮助展示不同心肌区域的潜在异常。
• 与医生观察对比：在患者队列的重复嵌套交叉验证中，自动报告识别心脏影像医生观察结果的平衡准确率为 0.76±0.04；在 167 个数值仿真样本中，平衡准确率达到不低于 0.8。

意义与影响

这项研究的价值在于，它试图把复杂的 PET/MRI 多参数信息转化为更稳定、可比较的区域化描述。对于致心律失常性左室心肌病这样的疾病，单一影像指标往往难以覆盖纤维化、炎症或代谢异常等不同表现，而无监督聚类能够在不依赖明确标签的前提下，帮助寻找跨患者共享的异常模式。

从临床应用角度看，自动化文本与牛眼图报告并不是要替代心脏影像医生，而是可作为辅助阅读工具：一方面减少多模态影像解读中的遗漏，另一方面让患者间的区域差异更容易比较。研究也指出，聚类发现的异常区域与医生视觉观察较为接近，有助于区分不同程度的纤维化或炎症信号。

不过，这仍是一项初步方法学研究。样本规模有限，疾病类型也集中在特定遗传性心肌病上，未来还需要更大规模、多中心数据以及前瞻性验证，才能判断其在真实临床工作流中的稳定性和泛化能力。即便如此，它展示了 AI 在医学影像中的一个重要方向：不是简单给出二分类结果，而是把复杂多模态数据重组为医生可以理解和追踪的疾病画像。

来源：arXiv