数据队列构建与预处理
整合多个影像与临床数据结构，确保每个患者仅贡献一张影像，以进行下游分析。
从四个独立队列中随机选取每个患者的一张CXR，排除年龄<18岁或无ICD记录的患者，并映射phecode。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
透明的胸部X光片基础模型实现可解释的人类疾病谱分析
Transparent chest radiograph foundation model enables explainable human disease profiling
实验完整度
高包含多队列大规模影像-临床数据验证、模型预训练与表型预测、可解释性分析等多个独立证据层级，并进行功能验证（如跨病种迁移）与机制验证（影像特征贡献）。
主要模型
胸部X光图像（CXR） 多队列回顾性数据集（学术医疗中心、社区医院、MIMIC-CXR） 影像-报告配对数据
重点核对
预训练模型权重（文中未明确说明） 嵌入维度512 对比损失温度参数（文中未明确说明） 线性探针的弹性网络正则化参数（文中未明确说明） 图像尺寸224x224像素
摘要
胸部X光摄影（CXR）广泛可及，其捕捉全身性疾病微妙表现的能力仍未得到充分探索。我们利用大规模图像-报告对开发了一种对比预训练的多模态胸部X光基础模型，并评估了其预测多种人类疾病的能力。利用电子健康记录中衍生的1074个phecode，我们在冻结的图像嵌入上训练线性探针，并在三个独立队列（n = 90,911；n = 79,786；n = 60,282）中验证了性能。该模型显著预测了554种流行和457种偶发表型，其中60种流行和42种偶发表型在所有数据集中表现出一致的高区分度。为增强可解释性，将疾病和57个放射科医生筛选的胸部X光特征嵌入到共享表示空间中。这种共嵌入分析确定了28个由可识别的影像模式驱动的表型聚类，包括心脏增大、动脉粥样硬化和磨玻璃影，并能够以较强的解释性能（R² ≥ 0.85）重建大多数预测。重要的是，嵌入捕获了与近期心血管事件和危重疾病相关的影像特征。这些发现表明，胸部X光基础模型嵌入编码了超出传统解释的丰富、临床相关信息，为全面的疾病谱分析提供了可扩展且可解释的框架，并为未来前瞻性验证奠定了基础。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 胸部X光基础模型的嵌入是否能够预测广泛的临床表型，并以可解释的方式揭示共同的影像学特征。
- 核心机制
- 多种全身性疾病表型的预测可依赖于一组有限的经典影像学特征（如动脉粥样硬化、磨玻璃影、肺气肿改变、肺不张和心脏增大），这些特征在共享的嵌入空间中形成结构化的聚类，表明存在共同的影像学签名。
- 主要证据
- 在三个独立数据集（n=90,911; n=79,786; n=60,282）中，线性探针在冻结的影像嵌入上预测1074种phecode，通过AUC/C-index评估性能，并通过热图和重建（R²≥0.85）显示影像特征对预测的贡献。
- 研究意义
- 提供了一种可扩展、可转移且可解释的框架，用于从常规胸部X光片进行全面的疾病谱分析，并支持未来进行前瞻性验证。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
基础模型预训练
利用大规模图像-报告对学习通用的图像表示。
采用对比学习目标，使用ViT-B/32图像编码器和12层transformer文本编码器，将图像和报告投影到512维共享嵌入空间。
表型预测模型微调
针对每个phecode训练线性探针，以评估影像嵌入对流行和偶发表型的预测能力。
在冻结的影像嵌入上，对每个phecode使用弹性网络正则化回归进行微调，并通过五折交叉验证调整超参数。
性能评估与亚组分析
评估模型在不同临床条件下的预测性能，并探讨视图、性别等协变量的影响。
使用AUC（流行表型）和C-index（偶发表型）评估判别性能，并针对12个预定义协变量进行分层分析。
可解释性分析
揭示疾病预测所依赖的影像特征，并评估其共嵌入结构。
利用共嵌入空间，通过t-SNE可视化疾病与影像特征；使用NNLS重建预测，并计算特征对预测的贡献。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 模型预训练 | ViT-B/32图像Transformer | -- | -- |
| 文本Transformer编码器 | -- | -- | |
| 胸部X光-报告数据集 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据队列构建 | 每个患者是否仅随机选择一张CXR；排除标准为年龄<18岁或无ICD记录；队列来源：Tri-Service General Hospital、Tingzhou Branch Hospital、MIMIC-CXR 阅读提示：请参阅'肺腑之言Methods: Study subjects'部分以验证患者选择标准。 |
| 模型预训练 | 图像尺寸是否为224×224像素；预训练数据对数量是否为1,004,314；训练周期是否为50个epoch；验证损失是否在保留的10%子集上评估且选择了最低损失模型 阅读提示：请参阅'肺腑之言Methods: Foundation model training and chest radiograph preprocessing'部分以及引用论文'54'。 |
| 表型预测微调 | 是否使用弹性网络正则化回归，嵌入维度是否为512；是否进行了五折交叉验证并最大化AUC；是否仅使用开发数据集进行训练，并在冻结验证、外部和MIMIC数据集上进行评估 阅读提示：请参阅'肺腑之言Methods: Fine-tuning method on phenotype prediction'部分。 |
| 性能评估与亚组分析 | 流行表型的AUC阈值是否≥0.85（冻结验证和外部）和≥0.80（MIMIC）；偶发表型的C-index阈值是否≥0.80（冻结验证和外部）和≥0.75（MIMIC）；是否进行了Bonferroni校正（p<0.05/1074）；分层分析是否考虑了影像视图、位置、种族、性别等12个协变量 阅读提示：请参阅'肺腑之言Results'的'Phenotype prediction performance'和'Supplementary Data 3-8'，以及Methods的'Statistical analysis'部分。 |
| 可解释性分析 | 是否使用了57个放射科医生筛选的影像特征（包括34个病理/形态和23个植入物/疤痕）；特征嵌入是否通过文本编码器计算差向量（特征存在/不存在）获得；是否使用NNLS进行重建；是否在冻结验证、外部和MIMIC数据集上评估了R²和AUC/C-index变化 阅读提示：请参阅'肺腑之言Methods: Explainable analysis'部分和'肺腑之言Results'的'Explainable analysis'部分，以及'Supplementary Data'。 |