在這篇文章中

• 為什麼心臟性猝死仍然難以預測
• 傳統臨床工具為何不足——尤其對於年輕患者
• 是什麼讓 MAARS AI 模型更加準確和公平
• 為什麼原始醫學影像比專家摘要更重要
• 人工智慧如何重新定義醫療責任和信任

人工智慧在心臟預測方面優於醫生

心臟性猝死 (SCD) 不會給人第二次機會。它常常毫無徵兆地發作，在世界各地造成驚人的死亡人數——北美和歐洲每年每十萬人中就有 50 到 100 人死亡。雖然植入式除顫器可以預防這些悲劇，但真正的挑戰在於了解哪些人真正需要它們。這正是醫學界一直以來的難題，尤其是在肥厚型心肌病變 (HCM) 患者中，這種遺傳性疾病常常折磨著看似健康的年輕人。

醫生一直以來都依賴基於射血分數（心臟每次跳動泵出的血液量）的指導。但肥厚型心肌病變 (HCM) 患者的射血分數通常並不低。他們的心臟甚至可能過度活躍。因此，這些警示訊號根本不夠警醒。而當傳統工具出現失誤時，患者最終將付出代價。

推出 MAARS：更聰明的預測器

由約翰霍普金斯大學團隊開發用於室性心律不整風險分層的多模態人工智慧（簡稱 MAARS）並非僅僅關注患者健康的一個面向。它從各個方面進行學習：電子健康記錄 (EHR)、超音波心動圖報告、增強 MRI 影像等等。該模型使用基於 Transformer 的深度學習，這是一種類似於 ChatGPT 或影像辨識工具等 AI 的下一代神經網路架構。

突破之處在於 MAARS 處理這些資訊的方式。它不採納醫生對 MRI 影像的解讀，而是讀取原始掃描資料。這意味著無需人眼過濾，沒有偏見，也沒有疏忽。它能夠識別放射科醫師可能忽略的纖維化（心臟內部的疤痕）模式。而且，它使用視覺轉換器 (3D-ViT) 以 3D 方式進行識別，保留了真實人體心臟的所有複雜性。

遠遠超越專家

讓我們來談談結果。在與標準臨床工具（ACC/AHA 指南、ESC 風險評分和 HCM 風險-SCD 計算器）的測試中，MAARS 不僅勝過競爭對手，甚至徹底碾壓了它們。在內部驗證隊列中，MAARS 的曲線下面積 (AUC) 達到了 0.89。而臨床工具的曲線下面積則徘徊在 0.54 到 0.62 之間。在另一家醫院系統的外部測試中，MAARS 仍然保持強勁，AUC 高達 0.81，遠高於醫生目前使用的任何工具。

這並非微不足道的改進，而是一場顛覆性的變革。就上下文而言，0.5 的 AUC 值相當於拋硬幣。領先的工具幾乎無法超過這個閾值。 MAARS 不僅預測得更準確，而且能夠跨年齡、性別和種族進行準確且一致的預測。

醫學中的偏見：人工智慧或許能解決的問題

公平並非一句時髦詞，而是關乎生死。由於試驗數據有限或假設偏差，醫療工具常常無法有效服務少數族裔和年輕患者。但基於多模態框架所建構的MAARS，在各個亞組之間展現了極為均衡的性能。無論患者是年輕或年長、男性或女性、非裔美國人或白人，MAARS的準確率都幾乎相同。這在臨床預測中實屬罕見，但在醫療差距日益擴大的當今世界，卻至關重要。

一個令人驚訝的轉折？在模型中，非裔美國人種族實際上與 SCDA 風險降低有關——這一結果值得更深入的探索，但也暗示了人工智慧可以提供的細緻洞察，尤其是當我們讓它根據原始數據而不是人類的假設來說話時。

黑盒子裡的透明度

大多數人不相信黑箱演算法——這的確沒錯。 MAARS 不僅僅是給予風險評分，它還能自我解釋。此模型運用 Shapley 值和注意力圖等技術，揭示了哪些因素影響了其決策。是心房顫動病史？壓力測試顯示心率反應降低？還是心臟掃描中隱藏的纖維化模式？ MAARS 不會讓臨床醫生猜測。它為他們提供了了解風險的路線圖，甚至可能是潛在的病理。

這不是作為一項功能的可解釋性，而是作為一項責任的可解釋性。當人工智慧做出改變人生的建議時，尤其是關於誰需要植入除顫器的建議，清晰度至關重要。 MAARS 以視覺和統計的方式提供了這一點。

為什麼原始醫療數據會改變遊戲規則

這裡有一個超越心臟病學的教訓：原始數據勝過總結。醫生的報告雖然無價，但也引入了主觀性。但 MAARS 能夠讀取訊號本身——實際掃描——並學習人類從未教過它的模式。它不受我們既定重要性的限制。如此一來，它甚至重新定義了臨床環境中「重要」的意義。

這種從解讀預處理資料到分析原始輸入的轉變，是下一波醫療AI的核心。它從模仿醫生，到增強——甚至超越——醫生。這就像訓練一隻鸚鵡和培養一個診斷專家的區別。

限制和現實世界的障礙

我們不該把MAARS描繪得完美無缺。與所有模型一樣，它也面臨挑戰。它的訓練隊列規模相對較小——總共只有800多名患者——而且心臟性猝死仍然是一種罕見事件。這意味著該模型最終試圖預測的數據點有限。雖然該演算法在內部和外部驗證中都表現良好，但它需要在更廣泛的人群和更長的時間內進行測試。

另一個障礙？所需的基礎設施。並非所有醫院都擁有實施此類系統所需的影像硬體、資料處理流程或人員。然而，隨著資料共享、雲端儲存和人工智慧輔助診斷的發展，類似MAARS的模式可能會變得更加普及——即使在規模較小的診所或發展中地區也是如此。

重新定義責任與臨床判斷

這是一個令人不安的問題：當機器發現醫生遺漏的資訊時會發生什麼？我們應該信任這個模型嗎？還是應該依靠人類的判斷來確保萬無一失？ MAARS 突破了這一界限。它並非取代醫生，而是挑戰醫生以不同的方式思考，整合他們可能沒有時間充分分析的數據，並依靠那些不受睡眠、壓力或臨床直覺限制的工具。

未來不再是人與機器的對決，而是人與機器的合作。在預防最突發、最悲慘的死亡原因之一方面，這種合作可能彌足珍貴。

MAARS 或許只是醫療 AI 領域眾多縮寫中的一個，但它的意義遠不止心臟病學。它告訴我們一些關於未來醫療的重要資訊：最明智的診斷可能並非源自於你所看到的，而是源自於你最終決定信任的。

關於作者

亞歷克斯喬丹 (Alex Jordan) 是 InnerSelf.com 的特約撰稿人

文章回顧

MAARS 是一種多模態 AI 模型，透過分析原始影像和醫學數據，能夠比醫生更準確地預測心臟驟停。它能夠提供更公平、更透明、高度個人化的肥厚型心肌病變風險評估。 MAARS 的表現超越傳統工具，並降低了偏差，標誌著心臟預測和 AI 驅動醫療保健領域的重大飛躍。

#cardiacprediction #AIhealthcare #MAARSmodel #猝死 #心臟病 #人工智慧 #medicalAI #cardiovascularcare #healthtech #echocardiogram #CMRimaging