基于图神经网络的多模态心力衰竭预测系统

本文介绍了一个融合心电图图像与临床数据、利用图神经网络进行心力衰竭预测的创新框架，详细解析其技术架构、多模态融合策略与临床应用价值。

• 原作者/维护者： Zahra BOUAOUNE
• 指导教授： Prof. Dr. Ouarda ZEDADRA
• 来源平台： GitHub
• 原始标题： Heart-Failure-Prediction-GNN
• 原始链接： https://github.com/zahrazahraboua/Heart-Failure-Prediction-GNN
• 学术来源： 阿尔及利亚盖尔马1945年5月8日大学计算机科学系硕士毕业论文（2025年6月答辩）
• 论文全文： https://dspace.univ-guelma.dz/jspui/bitstream/123456789/18261/1/F5_8_BOUAOUNE_ZAHRA_1751928035.pdf

---

心力衰竭（Heart Failure）是全球范围内导致住院和死亡的主要原因之一。传统的诊断方法主要依赖医生的经验判断和单一模态的检查数据，难以充分利用患者多维度的健康信息。随着深度学习技术的发展，如何有效融合心电图（ECG）图像数据与临床数值指标，构建更精准的预测模型，成为医疗人工智能领域的重要研究方向。

本研究提出的核心问题是：如何将非欧几里得结构的患者关系引入深度学习框架，通过图神经网络（GNN）捕捉患者间的相似性特征，从而提升心力衰竭预测的准确性？

---

该项目构建了一个端到端的多模态图深度学习流水线，整体架构包含七个关键阶段：

系统首先过滤损坏的文件，并确保输入图像满足最小尺寸要求（100×100像素），为后续处理奠定高质量数据基础。

针对数据集中类别不平衡问题（正常样本 vs 病患样本），采用ImageDataGenerator框架对少数类进行扩展，通过旋转、平移、缩放和水平翻转等操作，使两类样本数量达到平衡。

从病理统计分布中采样生成五项关键医学变量，这些变量能够反映患者的心脏功能状态：

• 射血分数（EF）：正常分布，健康组均值0.60，病理组均值0.38
• 脑钠肽（BNP）：对数正态分布，健康组均值4.2，病理组均值5.8
• NYHA心功能分级：分类变量（1-4级），按心衰严重程度加权
• 收缩压（SBP）：正常分布，健康组均值125 mmHg，病理组均值110 mmHg
• 年龄：连续整数采样，健康组均值55岁，病理组均值68岁

这是整个系统的核心技术环节。视觉特征提取采用预训练的ResNet18骨干网络（移除最后的全连接分类层），为每张ECG图像生成512维的嵌入向量。临床特征向量（5维）经过StandardScaler标准化后，与视觉特征直接拼接，形成517维的综合节点特征向量。