《Scientific Reports》：A fine-grained transformer combined with multimodal data for predicting hospital length of stay in acute coronary syndrome
编辑推荐：
为解决急性冠脉综合征(ACS)患者住院时长(LOS)预测不准影响医疗资源调配效率的问题，研究人员开展了基于多模态数据和精细化Transformer的预测模型研究。该研究通过自监督学习增强CT血管形态特征，并设计多尺度注意力机制融合生理特征，最终实现了高精度的LOS预测（MAE=1.33, p<0.0005），为医疗资源优化提供了有效工具。
想象一下，一位突发胸痛的患者被紧急送入急诊室，诊断为急性冠脉综合征(Acute Coronary Syndrome, ACS)——这是一种涵盖不稳定型心绞痛和心肌梗死的危重心血管事件，需要立即进行医疗干预。对于医院管理者而言，精准预测这类患者的住院时长(Length of Stay, LOS)至关重要，它直接关系到床位周转、医护人力调配以及医疗成本的控管。然而，LOS的预测并非易事，它受到患者复杂生理状况、影像学表现等多重因素影响，传统的预测方法往往精度有限，难以满足临床精细化管理的需求。如何在患者入院早期，利用现有数据准确预判其住院时间，从而实现医疗资源的“未雨绸缪”，成为医院管理和临床研究亟待破解的难题。为此，一项发表在《Scientific Reports》上的研究给出了创新性的解决方案。
研究人员开展了一项旨在利用多模态数据精准预测ACS患者LOS的研究。他们创新性地提出了一种结合形态学特征增强的精细化Transformer模型。该研究通过整合患者的电子病历(Electronic Medical Record, EMR)生理数据和计算机断层扫描(Computed Tomography, CT)影像，构建了一个强大的预测框架，最终实现了目前最佳的预测性能，并为模型决策过程提供了可解释的依据，有望成为临床辅助决策的有效工具。
为开展此项研究，作者主要应用了以下几项关键技术方法：首先，针对CT影像中的血管形态学特征，设计了光度转换与几何转换，并结合自监督学习策略来提取增强后的形态特征。其次，为了有效融合CT影像特征与EMR中的生理特征，研究者设计了一个多尺度注意力机制，并采用稀疏策略来捕获模态内与模态间的精细化特征。研究构建了患者队列进行模型训练与验证。
研究结果
模型性能比较
研究团队将所提出的模型与16种当前最先进的模型进行了全面比较，这些对比模型包括ACS研究中常用的经典机器学习模型、最先进的视觉模型、多模态Transformer模型以及最新的LOS预测模型。实验结果表明，本研究提出的模型在所有对比模型中取得了最佳的预测结果。其预测误差（平均绝对误差, MAE）低至1.33，预测值与真实值之间的皮尔逊相关系数(Pearson correlation coefficient)高达0.96，显著优于其他方法。这证明了该模型在准确预测ACS患者LOS方面的卓越能力。
可解释性分析
为了探究模型的决策依据，研究者进行了深入的可解释性分析。分析显示，该模型能够很好地感知CT影像中的病变区域，其注意力机制所关注到的显著特征与患者的住院时长存在统计学上的显著相关性（p = 0.0005）。这意味着模型并非“黑箱”，其做出预测所依据的影像特征具有明确的临床意义，增强了模型结果的可信度与临床可接受性。
消融实验
为了验证模型中各个设计模块的有效性，研究还系统地进行了一系列消融实验。实验通过逐一移除或替换模型中的关键组件（如形态学特征增强模块、多尺度注意力融合模块等），并观察模型性能的变化，从而证实了每个模块对于提升最终预测精度都起到了不可或缺的积极作用。这从结构上确保了模型设计的合理性与必要性。
研究结论与讨论
本研究的核心结论是，所提出的融合多模态数据与精细化Transformer的模型，能够极为精准地预测急性冠脉综合征患者的住院时长，其性能超越了现有的多种先进方法。该模型成功的关键在于两方面：一是通过创新的自监督学习策略从CT影像中提取了增强的血管形态学特征，这比传统特征更能反映疾病的解剖学严重程度；二是通过设计的多尺度稀疏注意力机制，实现了CT影像特征与电子病历生理特征之间高效、精细化的融合，充分挖掘了多模态数据中的互补信息。
这项研究具有重要意义。在实践层面，该模型为医院管理提供了强大的决策支持工具。通过早期、精准的LOS预测，医院可以更合理地规划床位、调配医护人员和医疗设备，优化资源利用效率，减少患者等待时间，最终提升整体医疗服务质量与运营效益。在学术层面，研究为解决多模态医学数据融合与可解释性预测问题提供了新颖的框架和方法学参考。所采用的形态学特征增强策略和精细化特征融合机制，对处理其他需要结合影像与临床数据的预后预测任务（如癌症生存期预测、疾病复发风险评估等）具有广泛的启发性和迁移潜力。未来，随着更多模态数据（如基因组学、随访数据）的纳入，该框架有望进一步发展，为实现更个性化的精准医疗管理奠定坚实的技术基础。
