肺动脉高压是一种严重疾病，其特征为肺动脉压力升高。本文研究了使用磁共振成像、计算机模型和机器学习进行非侵入性肺动脉高压检测的方法。我们通过消融研究表明，基于血液循环模型的物理启发特征工程提高了梯度提升决策树算法在肺动脉高压分类和 mPAP 值回归方面的性能。我们比较了回归（通过阈值估计 mPAP）和分类的结果，并证明了两个实验的指标是可比较的。与分类模型返回的肺动脉高压概率相比，预测的 mPAP 值对于医师来说更具信息价值。它们提供了机器学习模型结果的直观解释（临床医生习惯使用 mPAP 指标，而非肺动脉高压概率）。

Dec, 2023

心脏衰竭是一种影响数百万人的严重疾病，对他们的生活质量和死亡率产生重要影响。本研究使用电生理信号等非侵入性方法来评估心脏压力，提出了一种基于深度度量学习的模型，该模型在有限标签数据情况下表现良好，并具有患者亚组之间的高度性能表现。

Aug, 2023

该研究提出了基于物理信息的 DeepONet 方法的新框架来预测动脉血压波形，解决了连续无创测量动脉血压波形的问题，同时采用时间周期条件和 Windkessel 边界条件满足 Navier-Stokes 方程，通过引入元学习的概念来准确估计参数。

Feb, 2024

我们提出了两个新颖的用于无袖式人体血压波形合成的深度学习模型，采用单点光电容式血流容积脉搏图信号。我们利用公共 UCI 数据集对我们的深度学习模型进行训练和评估。首先，我们实现了一个 transformer 模型，它包括位置编码、多头注意力、层归一化和 dropout 技术，并以平均绝对误差为 14 进行 ABP 波形合成。其次，我们实现了一种频域学习方法，它首先获取 PPG 和 ABP 信号对应于两个心脏周期的离散余弦变换系数，然后学习它们之间的线性 / 非线性回归关系。我们发现，频域线性 / 非线性回归模型的 MAE 分别达到了 11.87 和 8.01，优于 transformer 模型。我们的频域线性 / 非线性回归模型还满足了使用超过 85 个受试者数据的 AAMI 准则，并且根据 BHS 准则达到了 B 级。

Jan, 2024

为了提高患者的生存率，该研究提出了一种多模态融合方法来检测肺栓塞。通过集成 CT 肺血管造影和电子病历数据，该方法融合了图像和临床信息，取得了显著的预测效果，从而超越了仅使用单个数据模式的模型。

Feb, 2024

这篇研究针对肺动脉高压这一疾病，使用人工神经网络技术，将心电图作为较简易的筛查工具，达到较高的检测准确度，以实现对该疾病的早期诊断和治疗，降低其相关死亡率和发病率。

Apr, 2023

通过使用 CTPA 成像、临床数据和 PE 严重指数（PESI）评分来预测 PE 的死亡率，研究采用深度学习模型来预测 PE 的死亡率，并将疾病相关的成像特征和 / 或临床变量纳入 DL 模型中进行预测，结果表明多组学 DL 模型在 PE 存活预测中的 c-index 值明显高于仅使用 PESI 指数的模型。

Jun, 2024

通过使用无创的 PPG 信号，结合深度学习技术，本文提出了一种预测连续动脉血压波形的方法 PPG2ABP，该方法在形态、幅度和相位上都有很好的预测效果，并且在 DBP、MAP 和 SBP 等参数的计算上表现出色。

May, 2020

该研究提出了一个端到端基于深度学习的方案，使用图像采集的 PPG 波形来实时监测血压，该方法达到了良好的测量效果并部署在了一个树莓派设备上。

Nov, 2021

通过超分辨率模块进行空间归一化和迭代式实现分割结果，基于高水平血管分割为先验信息，在非对比度 CT 和 CTPA 上实现了精确的动脉 - 静脉分割，其量化实验证明 HiPaS 具有卓越的性能，达到 91.8% 的 DICE 分数和 98.0% 的敏感性。研究还发现，肺血管丰度与性别和年龄显著关联，女性较男性血管丰度明显更高且随年龄稍有下降，这一发现对临床诊断和了解肺生理学具有重要意义。

Apr, 2024