《Scientific Reports》：A fine-grained transformer combined with multimodal data for predicting hospital length of stay in acute coronary syndrome
編輯推薦：
為解決急性冠脈綜合征(ACS)患者住院時長(LOS)預測不準影響醫療資源調配效率的問題，研究人員開展了基于多模態數據和精細化Transformer的預測模型研究。該研究通過自監督學習增強CT血管形態特征，并設計多尺度注意力機制融合生理特征，最終實現了高精度的LOS預測（MAE=1.33, p<0.0005），為醫療資源優化提供了有效工具。
想象一下，一位突發胸痛的患者被緊急送入急診室，診斷為急性冠脈綜合征(Acute Coronary Syndrome, ACS)——這是一種涵蓋不穩定型心絞痛和心肌梗死的危重心血管事件，需要立即進行醫療干預。對于醫院管理者而言，精準預測這類患者的住院時長(Length of Stay, LOS)至關重要，它直接關系到床位周轉、醫護人力調配以及醫療成本的控管。然而，LOS的預測并非易事，它受到患者復雜生理狀況、影像學表現等多重因素影響，傳統的預測方法往往精度有限，難以滿足臨床精細化管理的需求。如何在患者入院早期，利用現有數據準確預判其住院時間，從而實現醫療資源的“未雨綢繆”，成為醫院管理和臨床研究亟待破解的難題。為此，一項發表在《Scientific Reports》上的研究給出了創新性的解決方案。
研究人員開展了一項旨在利用多模態數據精準預測ACS患者LOS的研究。他們創新性地提出了一種結合形態學特征增強的精細化Transformer模型。該研究通過整合患者的電子病歷(Electronic Medical Record, EMR)生理數據和計算機斷層掃描(Computed Tomography, CT)影像，構建了一個強大的預測框架，最終實現了目前最佳的預測性能，并為模型決策過程提供了可解釋的依據，有望成為臨床輔助決策的有效工具。
為開展此項研究，作者主要應用了以下幾項關鍵技術方法：首先，針對CT影像中的血管形態學特征，設計了光度轉換與幾何轉換，并結合自監督學習策略來提取增強后的形態特征。其次，為了有效融合CT影像特征與EMR中的生理特征，研究者設計了一個多尺度注意力機制，并采用稀疏策略來捕獲模態內與模態間的精細化特征。研究構建了患者隊列進行模型訓練與驗證。
研究結果
模型性能比較
研究團隊將所提出的模型與16種當前最先進的模型進行了全面比較，這些對比模型包括ACS研究中常用的經典機器學習模型、最先進的視覺模型、多模態Transformer模型以及最新的LOS預測模型。實驗結果表明，本研究提出的模型在所有對比模型中取得了最佳的預測結果。其預測誤差（平均絕對誤差, MAE）低至1.33，預測值與真實值之間的皮爾遜相關系數(Pearson correlation coefficient)高達0.96，顯著優于其他方法。這證明了該模型在準確預測ACS患者LOS方面的卓越能力。
可解釋性分析
為了探究模型的決策依據，研究者進行了深入的可解釋性分析。分析顯示，該模型能夠很好地感知CT影像中的病變區域，其注意力機制所關注到的顯著特征與患者的住院時長存在統計學上的顯著相關性（p = 0.0005）。這意味著模型并非“黑箱”，其做出預測所依據的影像特征具有明確的臨床意義，增強了模型結果的可信度與臨床可接受性。
消融實驗
為了驗證模型中各個設計模塊的有效性，研究還系統地進行了一系列消融實驗。實驗通過逐一移除或替換模型中的關鍵組件（如形態學特征增強模塊、多尺度注意力融合模塊等），并觀察模型性能的變化，從而證實了每個模塊對于提升最終預測精度都起到了不可或缺的積極作用。這從結構上確保了模型設計的合理性與必要性。
研究結論與討論
本研究的核心結論是，所提出的融合多模態數據與精細化Transformer的模型，能夠極為精準地預測急性冠脈綜合征患者的住院時長，其性能超越了現有的多種先進方法。該模型成功的關鍵在于兩方面：一是通過創新的自監督學習策略從CT影像中提取了增強的血管形態學特征，這比傳統特征更能反映疾病的解剖學嚴重程度；二是通過設計的多尺度稀疏注意力機制，實現了CT影像特征與電子病歷生理特征之間高效、精細化的融合，充分挖掘了多模態數據中的互補信息。
這項研究具有重要意義。在實踐層面，該模型為醫院管理提供了強大的決策支持工具。通過早期、精準的LOS預測，醫院可以更合理地規劃床位、調配醫護人員和醫療設備，優化資源利用效率，減少患者等待時間，最終提升整體醫療服務質量與運營效益。在學術層面，研究為解決多模態醫學數據融合與可解釋性預測問題提供了新穎的框架和方法學參考。所采用的形態學特征增強策略和精細化特征融合機制，對處理其他需要結合影像與臨床數據的預后預測任務（如癌癥生存期預測、疾病復發風險評估等）具有廣泛的啟發性和遷移潛力。未來，隨著更多模態數據（如基因組學、隨訪數據）的納入，該框架有望進一步發展，為實現更個性化的精準醫療管理奠定堅實的技術基礎。
