基于机器学习的颈动脉超声动态时序特征心血管疾病风险分类研究

本文介绍了一项创新性医学AI研究，通过分析颈动脉超声动态波形数据，利用时间序列特征提取与机器学习分类器，实现心血管疾病风险的精准预测。该研究融合多模态生理信号，展示了其在医疗诊断中的巨大潜力。

心血管疾病是全球首要致死原因，早期风险识别至关重要。传统评估依赖静态指标（如斑块面积、峰值多普勒速度），无法捕捉血管动态变化特征。本研究创新点在于引入动态动脉波形分析，采集颈动脉直径、多普勒血流速度、肱动脉压力三种同步时序信号，结合机器学习构建风险预测模型。

数据来自150名50岁以上患者，采集颈动脉超声检查及踝臂脉搏波速度（PWV）测量数据。三种波形提取方法：直径波形用CAROLAB斑点追踪算法，血流速度波形用灰度阈值法提取包络线，压力波形通过体积描记系统记录。预处理步骤：去慢漂移、低通滤波（8-10Hz）、最小-最大归一化、同步到心电图R波并重采样至128Hz，截取单个心动周期数据。

特征提取采用两种策略：1. TSFEL提取201个统计、时域、频域特征；2. Shapelet变换识别判别性短子序列。通过mRMR算法筛选出15个最优特征。评估8种分类器，融合特征集+随机森林表现最佳：准确率90%、AUC 0.95、F1分数0.80；LightGBM（87%）、XGBoost（83%）次之，传统SVM（66%）、k-NN（80%）性能较差。

消融实验显示：单独压力波形准确率77%、直径波形83%、速度波形77%；三种波形融合后准确率提升至90%。证明多模态信号携带互补信息，可提高预测准确性与鲁棒性。

前景：可集成到常规体检，实现高危人群自动识别预警，辅助基层医生决策。挑战：需标准化采集协议与质量控制；模型可解释性待提升；需多中心大规模数据集验证泛化能力。

代码开源在GitHub，基于Python 3.10+，依赖NumPy、Pandas、Scikit-learn等库。包含完整流程脚本：低通滤波、归一化、特征提取、选择及模型训练。代码结构清晰，可扩展性强，部分Windows路径需用户修改。

本研究展示了机器学习在医学影像分析的潜力，通过多模态动态时序特征构建高精度风险分类系统。未来可结合深度学习技术与更大规模临床数据，提升系统准确性、鲁棒性与实时性，助力心血管疾病防控。