Cardio Fusion: A Dual-Stream Regularized Fusion Architecture for Generalizable Cardiovascular Disease Prediction Under Dataset Heterogeneity

心脏病仍然是全球范围内的首要死因，每年夺走近 1800 万人的生命。这种疾病是由多种复杂因素共同作用的结果，包括年龄、血压、胆固醇水平以及吸烟等生活习惯。虽然医生依靠体格检查和专门的测试来诊断这些问题，但这些方法可能成本高昂，且对专科医生的需求量极大。这促使人们寻找能够辅助预测风险的计算机系统，将其作为传统医疗护理的一种可扩展的补充。然而，构建这些系统面临着一个持久的障碍：它们所学习的数据往往是混乱、不完整或来自无法代表更广泛人群的小规模患者群体。当计算机模型在狭窄的信息集上进行训练时，面对在纸面上看起来不同的新患者时，往往会失效，导致预测结果不可靠。

为了应对这一挑战，研究人员 K. Padmini、Nilesh V. Ingale 和 V. Aruna 开发了一种名为“Cardio Fusion”的新方法。该系统并非依赖单一的计算机算法来进行诊断，而是创建了一个模仿专家团队协作的系统。其架构旨在同时处理两种截然不同的医疗信息。其中一条流处理标准的患者记录，如年龄、血压和胆固醇等存储在表格中的数据；另一条流则旨在分析医学图像或被称为心电图的心脏节律迹象。通过在合并结论之前分别处理这两类信息源，该系统旨在提高其鲁棒性和适应性，以应对不同人群中多样化的心脏病表现形式。

这种新方法的核心在于预测前的精心筛选过程。医疗记录通常包含数十项测量指标，其中许多是疾病的微弱指标，或者仅仅是噪声。研究人员使用一种数学技术来筛选这些数据，仅识别出对每组特定患者最具威力的预测因子。例如，在一个大型数据集中，系统确定收缩压、年龄和血糖水平是最关键的因素；而在另一个数据集中，其他测量指标则更为重要。这确保了计算机不会被无关细节所干扰。一旦选择了最重要的特征，系统就会将它们输入到一个“表格分支”中，这是一个由四个不同算法协同工作的混合团队。这个团队包括一个复杂的模式识别工具——深度神经网络——以及三个更传统的分类器。这四个模型会对结果进行投票，最终决策会根据每个模型对自己答案的信心程度进行加权。

与此同时，该系统还包含一个能够利用先进深度学习模型分析心脏扫描或电信号的“影像分支”。这些模型旨在发现人类肉眼可能忽略的细微视觉模式。至关重要的是，这两个分支是独立运行的。如果一家医院只有患者记录而没有图像，系统仍可以仅依靠表格分支来运行。如果图像可用，系统会分别处理它们，然后合并两者的结论。这种设计使得该框架能够对各种数据集进行测试，从几十年前的小型集合到包含数万名患者的大型现代记录。

研究人员在六个不同的数据集上测试了他们的系统，以观察其在压力下的表现。在一个被称为克利夫兰基准（Cleveland benchmark）的经典小型数据集上，该系统的准确率达到了 96.5%。这一结果与现有的最佳方法不相上下。然而，衡量一个医疗工具是否有效的真正考验是它能否在更大规模、更多样化的人群中发挥作用。团队在第二个规模大得多的 Kaggle 数据集上重新实现了整个系统，该数据集包含超过 68,000 条患者记录。在这次更大的测试中，该系统实现了 73.95% 的准确率，以及 80.57% 的强区分能力（用于区分健康与患病患者）。

准确率从较小数据集到较大数据集的下降并非系统的失败，而是反映了数据本身的情况。较大的数据集仅包含生活方式和生命体征信息，缺乏较小、更具针对性的数据集中所具备的详细心脏节律和胸痛数据。研究人员发现，无论算法多么先进，它都无法预测它未被赋予的信息。这一发现强调了研究的一个关键结论：仅仅向计算机喂入更多数据并不能保证更好的结果。相反，所选特征的质量以及不同模型组合的方式更为重要。该研究认为，一个经过良好正则化的混合系统——即一个能够防止计算机记忆噪声并迫使其学习通用模式的系统——比单一的复杂算法更可靠。

通过将优化的特征选择与双流架构相结合，Cardio Fusion 框架证明了构建一个既准确又灵活的预测工具是可能的。它在处理小型、特定数据集时表现出色，同时保持其结构以应对大规模、异质性的数据集。研究人员指出，虽然他们的系统是一个重要的进步，但它并不是最终解决方案。未来的工作将涉及在更多样化的队列中测试该系统，并集成能够解释计算机为何做出特定预测的工具，从而帮助医生信任机器的建议。目前，这项研究为构建更可靠、更具泛化能力的工具提供了一条清晰的路径，这些工具未来有望与医生并肩作战，帮助识别那些可能被忽视的心脏病风险患者。