医师报讯 日前，第十九届钱江国际心血管病会议（QICC 2025）在杭州召开，会上，“人工智能论坛”引起热烈关注。论坛清晰地传递出一个明确信号：人工智能已超越辅助工具的范畴，正深刻影响心血管病“防、诊、治、管”的全流程。从处理可穿戴设备产生的海量数据，到构建能够统一理解多模态信息的医学大模型，AI技术正将过去难以实现的早期预警、精准分型和个性化管理逐步转化为临床现实，推动心血管领域迈向更加前瞻、高效的新时代。
吴健：多模态大模型正迈向“医学通才”
“大模型正从‘专科医生’向‘医学通才’演进，其演进速度超乎想象。”浙江大学吴健教授描绘了医学人工智能的发展蓝图。他指出，技术革新使大模型的推理和训练成本急剧下降，本地化部署成为可能，未来轻量化的专业模型有望广泛部署于各类终端。
吴健教授分享了其团队开发的多模态医学大模型的实践经验，他强调：“分阶段、链条式地将不同模态数据加入训练，其效果优于所有数据‘一锅炖’，并且多模态数据间能相互提升、彼此促进。”这一策略为在有限算力下高效训练高性能大模型提供了新思路。
面对数据组织复杂、算力需求巨大以及临床验证不足等挑战，吴健教授提出了清晰的未来方向：将模型拓展至基因组学、蛋白组学等更广泛的模态；探索强化学习与长链思维技术以增强临床推理能力；最终通过严格的临床试验验证其有效性。
吴健教授总结道，医学AI的使命是推动诊疗模式的变革，即从有创到无创、定性到定量、低效到高效、高价到低价，最终惠及更广泛的患者群体。
盛斌：眼脑轴模型破解基层筛查困境
在基层医疗机构普遍缺乏高端脑成像设备的困境下，上海交通大学盛斌教授及其团队独辟蹊径，探索了一条创新之路——利用普及度高、无创且低成本的眼底影像来预测隐匿性脑梗死与卒中风险。
盛斌教授讲述了团队的核心技术突破：“我们并非简单地将眼底图像与脑病强行关联，而是以脑部特征作为先验知识，引导眼底图像进行更有针对性的压缩编码。”这种基于引导的编码方式使模型对卒中的预测效能较传统方法提升了10%以上，实现了预测性能的质的飞跃。
盛斌教授还分享了前瞻性研究结果：“通过该模型进行风险分层，结合强化干预，证实了该系统能够有效降低卒中的复发风险。”这不仅验证了模型的预测能力，更证明了其转化为临床实用工具的巨大潜力。
盛斌教授呼吁开发更精准、高效的AI算法，拓宽应用场景，助力基层医疗机构的早期筛查、远程医疗支持和全生命周期的健康管理，真正服务于全民健康。
赵世华：深度挖掘影像组学 重塑心肌病风险分层
“心脏磁共振（CMR）能够无创、全面地揭示心肌纤维化的位置、分布和范围，在危险分层中具有重要价值。”中国医学科学院阜外医院赵世华教授肯定了CMR在评估心脏结构与功能中的金标准地位，并深入阐述了如何利用AI技术从CMR影像中挖掘出更深层、更具预测价值的信息，从而构建更精准的风险模型。
赵世华教授指出，心肌纤维化是构成恶性心律失常的“底物”，其存在与分布是独立于心脏射血分数的、更强的危险预测因子。他分享了团队基于超万例患者数据库的研究成果：融合心肌应变参数与延迟增强（LGE）特征的新模型能够显著提升风险分层的准确性，从而更精准地指导ICD置入，有效避免心源性猝死，实现诊疗关口的前移。
此外，赵世华教授展示了AI通过深度学习分析原始CMR图像，以实现疾病自动分型的潜力，预示着CMR诊断流程可能迈向更高程度的自动化与智能化。他强调，唯有临床专家精准定义关键问题，并与工科团队持续打磨、深度融合，才能产出真正具有临床价值的创新成果，共同推动医学事业的发展。
张萍：AI构建心律失常“防诊治”闭环
“在海量数据时代，AI已从工具升级为不可或缺的合作伙伴，甚至未来可能成为年轻医生的老师。”清华大学附属北京清华长庚医院张萍教授这样定位AI角色的演变。她表示，AI在心律失常诊疗中的核心价值在于实现从被动诊断到主动预警，直至全程管理的闭环。
张萍教授回顾了AI在此领域的演进之路：从早期斯坦福大学团队基于卷积神经网络成功诊断12种心律失常，到当前利用单次或连续心电图片段，便能以超过85%的准确率预测未来三个月房颤风险，这标志着AI已从“诊断过去”迈向“预警未来”。更令人惊叹的是，一项研究通过面部视频分析就能识别房颤，灵敏度超过90%，完全颠覆了传统的心律失常诊断路径。
面对当前单导联可穿戴设备仅可用于筛查而非确诊的争议，张萍教授提出了前瞻性的思考：“随着可穿戴设备诊断效率和精准率的提高，未来或可作为诊断手段，尤其对于间歇性发作或隐匿性房颤患者，长时程监测的优势显而易见。”
张萍教授强调，AI的价值链正不断延伸，未来将持续赋能心律失常实现从风险预警、精准诊断、病灶定位、消融策略规划到长期抗凝管理的全流程“闭环管理”，从而真正重塑临床实践路径，提升医疗服务的同质化与效率。
张金盈：从识别斑块到预测破裂 AI实现精准“拆弹”
“如果能提前知道斑块什么时候破裂，就能显著降低心梗死亡率和发病率。”郑州大学第一附属医院张金盈教授一针见血地指出了动脉粥样硬化疾病管理的核心追求。他将不稳定的斑块比作“火山口”，而AI技术正是精准预测其“喷发”的关键工具。
张金盈教授分享了团队如何利用AI驱动的量化识别系统，从22个队列、2000多个样本中，通过机器学习筛选出14个核心基因，构建了预测性能卓越（AUC大于0.95）的斑块稳定性模型。他表示，该系统的价值不仅在于高准确度，更在于其与冠脉狭窄程度、心梗事件风险高度相关，且在血运重建术后的患者，风险评分显著下降，体现了其动态评估的巨大潜力。
展望未来，张金盈教授认为，基于AI的精准预测将改变当前“一见斑块就强化治疗”的粗放模式。通过与有创检查的对比验证，并整合更多临床参数，AI有望实现定量、动态、精准、个性化的斑块破裂风险预测，从而指导药物的精准应用，避免过度治疗，使患者获益最大化，这无疑是面向人民健康的重要实践。
本文由医师报原创供稿
