利用电子健康记录分析心脏瓣膜疾病合并心房颤动的机器学习模型（附视频）

栏目：小说资讯时间：2023-07-24

　　点击上方蓝字关注我们了解更多资讯

　　雷诺扬帆1，童琪2，张译文1，王政捷2，李涛2，潘帆3，钱永军2，赵启军1

　　1. 四川大学计算机学院（软件学院）（成都 610065）；2. 四川大学华西医院心脏大血管外科（成都 610041）；3. 四川大学电子信息学院（成都 610065）

　　通信作者：钱永军，Email：qianyongjun@scu.edu.cn；赵启军，Email：qjzhao@scu.edu.cn

　　关键词：心房颤动；心脏瓣膜性疾病；机器学习；风险预测；可解释性分析

　　引用本文：雷诺扬帆, 童琪, 张译文, 王政捷, 李涛, 潘帆, 钱永军, 赵启军. 利用电子健康记录分析心脏瓣膜疾病合并心房颤动的机器学习模型. 中国胸心血管外科临床杂志, 2022, 29(8). doi: 10.7507/1007-4848.202204048

　　摘要

　　目的　建立基于机器学习（LR）的框架，从瓣膜性心脏病患者中快速筛选出可能发展为心房颤动（房颤）的高危患者，并将风险预测的相关信息提供给临床医生作为临床指导，以便及时做出治疗决策。方法　回顾性收集四川大学华西医院及其分院的1 740例瓣膜性心脏病患者的临床资料，其中男831例（47.76%）、女909例（52.24%），平均年龄54岁。基于以上数据，建立经典的logistic回归、3种标准机器学习模型和3种集成机器学习模型，用于房颤的风险预测和特征分析。将学习机器模型的性能与经典logistic回归进行比较，选择了两种最佳模型，应用SHAP（Sharpley Addictive Explanation）算法，以提供群体和单体层面上的可解释性。此外，我们还提供了特征分析结果的可视化。结果　Stack模型在所有模型中表现最好（房颤检出率85.6%，F1分数0.753），而XGBoost在标准学习机器模型中表现优异（房颤检出率 71.9%，F1分数0.732），且两种模型的表现都明显优于logistic回归模型（房颤检出率65.2%，F1分数0.689）。SHAP算法显示，左心房内径、二尖瓣E峰流速、右心房内径、每搏输出量和心功能分级是影响房颤预测的最重要特征。Stack模型和XGBoost都具有出色的预测能力和可解释性。结论　Stack模型具有最高的房颤检测性能和综合表现，加载SHAP算法的Stack模型可用于筛选房颤的高风险患者，并揭示相应的风险特征。我们的框架可用于指导房颤的临床干预和监测。

　　正文

　　心房颤动（房颤）是最常见的心律失常之一，由于其高发病率和潜在的危害性，在全球范围内越来越受到关注。据全球卫生统计，2017年全球共有304.6万例新发房颤患者，2017年房颤的全球发病率估计403/100万，相比于1997年的发病率高出31%，预计到2050年，房颤的负担会增加60%[1]。现如今，房颤仍然是威胁人类健康的主要疾病之一。房颤是心房规则有序的电活动丧失，而代之以快速无序的颤动波。房颤早期可能呈现出无症状特点，即无症状房颤，它指的是发作性心房颤动的亚临床无症状发作的发生和检测。因此，房颤早期的检出率可能比实际低[2]。房颤的主要危害是相关并发症，如血栓栓塞导致脑梗死、肢体缺血等。无症状房颤的亚临床无症状性可能使患者并未早期对房颤引起重视，导致在房颤无症状发作期间患者未能采取早期、及时的抗心律失常及抗凝治疗。因此，房颤的早期诊断及干预对房颤治疗的预后十分重要。

　　房颤的临床类型包括阵发性房颤、持续性房颤、永久性房颤。临床上对房颤诊断的金标准为普通心电图或24 h动态心电图。虽然普通心电图常被用作心律失常的主要筛查工具，但是对于阵发性房颤患者，在房颤发生的间歇期可能未被及时检出，导致房颤的实际检出率偏低，这是普通心电图的局限，此时需要24 h动态心电图进一步检测。虽然这一诊断手段会弥补部分不足，但会增加额外的检查费用，并且长时间佩戴心电监测仪器所带来的不适感会导致患者的依从性下降，影响诊断的准确性。因此，对房颤进行早期的预测、诊断以提高房颤的早期检出率，及时干预治疗，对改善患者的预后十分重要。

　　目前临床上针对房颤发生的预测手段主要依靠一系列风险评分系统，包括FHS[3]、ARIC[4]、CHARGE-AF[5]、C2HEST[6]和HATCH[7]评分，其与房颤发生相关的风险因素包括年龄、性别、冠状动脉（冠脉）疾病、高血压、糖尿病、吸烟等[8]。但是以上风险评分系统有待进一步完善，要提高房颤发生风险预测的准确性，需要更多的与之有关的临床变量引入到评分系统模型中，并且需要更多的临床样本加以验证。近年来，机器学习（machine learning，ML）作为一种大数据分析方法，在医疗健康领域被用来预测不良事件的发生上越来越受到亲睐。机器学习是一种基于大数据分析的方法，可以在不事先指定关系的情况下识别变量之间潜在和复杂的相互作用[9]。目前，已有研究评估机器学习模型使用电子健康数据用以预测房颤的发生风险。Tiwari等[10]将机器学习模型应用于200多个最常见的健康记录的特征变量，包括人口统计学和合并症相关数据，推导出一个受试者特征曲线下面积（AUC）为0.79的模型，以在6个月的时间内检测事件房颤，这与非机器学习临床心房颤动风险评分一致。此外，Sekelj等[11]在一项基于200多万名初级保健患者的电子健康数据开发了一种机器学习模型，在验证数据集中AUC值高达0.87，与传统评分相比显示出了更优异的预测性能。

　　被心脏影像检查显示出的心脏结构及血流动力血指标的异常与房颤发生有关。如心脏CT评估的左心房厚度这一指标已被证明与阵发性房颤向慢性房颤的过渡风险增加有关[12]。晚期钆增强心脏磁共振成像（MRI）显示的左心房纤维化已被证明与新发心房颤动有关[13]。然而，在心脏影像检查数据中，尚未应用机器学习模型对房颤发生进行预测。临床上房颤发生常与心脏瓣膜疾病相关，如风湿性二尖瓣疾病[14]。但其它瓣膜疾病如主动脉、三尖瓣疾病是否能作为房颤发生的预测风险因素尚未明确。瓣膜疾病的常用检查手段为超声心动图。目前还没有使用基于心脏瓣膜病患者心脏超声的影像量化数据构建一种机器学习方法评估心脏瓣膜病患者发生房颤的风险。因此，我们开发了一个基于机器学习方法的房颤风险分析框架，以筛查心脏瓣膜病患者中发生房颤的高风险因素，推进临床监测和干预[15]。此外，我们的模型可以对预测结果进行充分的解释，揭示整体或个体层面可能存在的风险特征，将有助于指导临床决策，并开辟有关房颤风险的进一步研究课题。

　　1 资料与方法

　　1.1 数据采集和特征处理

　　我们收集四川大学华西医院及其分院心脏瓣膜疾病的患者电子健康记录。患者纳入标准：体表心脏超声或食管超声诊断为瓣膜性心脏病的患者。心脏瓣膜疾病包括主动脉瓣、肺动脉瓣、二尖瓣、三尖瓣狭窄和/或关闭不全。在这项研究中，心脏瓣膜性疾病合并房颤定义为患有瓣膜性心脏疾病的患者，并通过心电图诊断为房颤。排除标准：以前有心脏瓣膜置换史或数据缺失的患者。缺失值超过5%的特征被排除在外。我们的研究最终排除了36个特征，患者的基线资料见表1。

　　表1　两组患者临床资料比较[例（%）/]

　　1.2 整体框架

　　我们提出了一个房颤诊断和特征分析的框架，见图1。包括4个过程：数据预处理、模型设计与集成、性能验证和模型解释。我们使用数据清洗、向量表示和数据增强的方法来获得包含更多房颤样本的训练集。我们将这个训练集与原始训练集一起作为验证和解释的输入。我们总共测试了包括经典的logistic回归在内的7个模型。最后，为了提供详细和可靠的临床指导，我们选择了两个性能优异的模型来承载可解释的算法。我们建立了由多个机器学习模型、数据增强算法和可解释算法整合的房颤分析模型。

　　图1　本研究流程框架

　　1.3 数据预处理

　　我们对电子健康记录中的分类特征使用独热编码。对二元分类特征，如吸烟、糖尿病和高血压等，样本具有该特征则编码为1，否则为0。而多分类特征，如心脏功能分类，则被编码为从1~4的数字。为了确保数据的高度准确性，我们没有使用均值或KNN（K-Nearest Neighbor）填充法，而是选择排除了有特征值缺失的样本。

　　经过预处理的数据集包含1 740条记录。我们采用了两种方式来划分数据。（1）按照5折交叉验证法将数据分为8∶2的训练和测试集，并保证两组样本中房颤与非房颤样本的比例相同；（2）将整个数据集随机分为训练集和测试集，比例固定为7:3。我们用（1）来获得模型预测性能，用（2）来进行可解释性分析。

　　1.4 不平衡问题处理

　　由于瓣膜性心脏病患者的房颤发病率问题，房颤样本约占样本总数的34%。在分类预测中，模型会有关注多数类样本的趋势。使用模型的预测结果来分析房颤，需要提高模型对房颤的检测率，为分析结果提供足够的说服力。考虑到房颤误分类的代价，我们在EE（easy ensemble）算法与SMOTE（synthetic minority oversampling technique）算法的基础上引入SMOTEEN算法[16]。SMOTEEN算法利用过采样和欠采样的组合来解决少数类样本的缺乏以及噪声干扰的问题。

　　1.5 机器学习模型

　　针对结构化类型的数据，我们选择了3种基于Bagging[17]或Boosting[18]方法的标准监督机器学习模型。随机森林（random forest，RF）[19]，XGBoost[20]，LightGBM[21]与3种集成机器学习模型：Weight模型、Stack模型、Weight-Stack模型。标准机器学习模型是通过调用Python中的开源包得到的：Scikit-Learn 0.24.1版，XGBoost 1.4.2版，LightGBM 3.2.1版。在此基础上，我们建立了结合Bagging和Boosting方法的集成模型，以达到更好的预测性能，并保持良好的可解释性。此外，我们使用统计学中的经典logistic回归模型作为性能参考。

　　Weight模型：预测概率由RF、XGBoost和LightGBM各自的F1分数加权融合，以获得3种标准机器学习模型的联合预测概率。

　　Stack模型：使用5折交叉验证的两级堆叠算法，将RF、XGBoost和LightGBM的预测结果作为输入值，并在二级学习器中进行二次学习，以结合各标准机器学习模型的优势。

　　Weight-Stack模型：根据F1分数，用Stack模型结合表现较好的标准机器学习模型重新进行加权，在保证检出率的情况下增加对非房颤患者的关注程度。

　　1.6 模型可解释性

　　机器学习模型通常在预测问题上有很好的表现，但在解释预测结果方面表现不佳。例如，我们可以预测某个患者是否患有房颤，但我们无法知道患者身上的哪些特征对其最有影响，以及它们对预测结果起积极还是消极作用。

　　我们在模型中使用SHAP（Shapley Additive Explanations）方法，根据其加载的模型获得所有患者的SHAP值，并对其进行汇总和平均，在群体和个体层面提供丰富的可解释性：显著特征、特征和结果之间的正/负相关，以及对个体患者实例的可视化解释[22]。临床管理人员可以将这些结果与通过医学中的传统统计方法所获得的结果进行比较，以验证结果或得到新的发现。

　　1.7 统计学分析

　　为了评估模型的性能，确保特征分析的可靠性，我们报告了模型的受试者工作特征（receive operating characteristic，ROC ）曲线[23]。针对本研究的样本比例，我们还报告了精确率-召回率（precision recall，PR）曲线，以更多地关注数量偏小的样本[24]。

　　基于ROC和PR，我们报告每个模型的ROC曲线下面积（area under the curve/receive operating characteristic，AUC/ROC）和PR曲线下面积（area under the curve/precision recall，AUC/PR）[23,25]。对于发生房颤的相关分析，我们的一个重要任务是正确分类数据集中的房颤患者。我们还报告了敏感性（true positive rate，TPR）、特异性（true negative rate，TNR）、准确性、精确度阳性预测值（positive predictive value，PPV）、阴性预测值（negative predictive value，NPV）和F1分数。

　　1.8 伦理审查与临床试验注册

　　此研究经华西医院伦理委员会批准，批准号：2018-301；并在中国临床试验注册中心注册，注册号为 ChiCTR1800019870。

　　2 结果

　　2.1 模型性能

　　图1首先显示了基于5折交叉验证的经典logistic回归、标准机器学习模型以及集成模型的AUC/ROC和AUC/PR。我们通过网格搜索法调整了标准机器学习模型的部分超参数。考虑到通用性，我们在Stack模型中仅使用了超参数中的最大迭代次数，且SMOTEEN算法只加载在Stack模型中。首先，所有使用机器学习方法的6种模型（AUC/ROC：87%～89.6%，AUC/PR：72.6%～78.6%）比统计学中的经典logistic回归（AUC/ROC：86.2%，AUC/PR：71.8%)具有更高的AUC性能。其次，LightGBM和Weight-Stack模型在AUC方面的表现稍好。然而，ROC和PR曲线反映的是模型预测每个阈值的性能，并不代表模型整体性能。我们应该更加关注每个模型的最佳分类阈值点。

　　其次，表2还显示了在95%置信区间下房颤检测的模型性能指标。配备SMOTEEN的Stack模型在牺牲了部分特异性（TNR=78.4%）的情况下获得了最高的房颤敏感性（TPR=85.6%）。另外，分别与具有最高敏感性和特异性的基准模型相比，Stack模型比XGBoost的敏感性高13.7%，特异性比logistic回归低9.3%。其次，正如我们所设想的，Weight-Stack模型在保证房颤的敏感性（TPR=84.3%）的同时，提高了对非房颤患者的关注程度（TNR=80.2%）。最后，使用Stack算法的集成模型具有最好的F1分数、敏感性和阴性预测值性能。基于这些结果，我们从标准的机器学习模型中选择了XGBoost，从集成模型中选择了Stack来进行SHAP可解释性分析。

　　表2　结合重复和交叉验证的房颤预测结果

　　ROC：受试者工作特征曲线；AUC：曲线下面积；PR：精确率-召回率；TPR：真阳性率（敏感性）；TNR：真阴性率（特异性）；PPV：阳性预测值（精确度）；NPV：阴性预测值

　　在通过5折交叉验证获得AUC/ROC指标后，我们按照机器学习中数据集常用的划分准则，以7∶3的比例重新随机划分了整个数据集进行对比验证。在此基础上，我们绘制了ROC曲线以检验模型的性能；见图2。我们发现，AUC/ROC对于5折交叉验证和7 : 3划分数据集都显示出相同的模式。此外，不同模型的ROC曲线也有相似的走势。

　　图2　按照7∶3比例划分整个数据集的受试者工作特征曲线

　　2.2 模型可解释性分析结果

　　图3显示了XGBoost和Stack模型在群体水平上的前20个特征贡献情况。两种模型都认为LA、Emv和RA是在预测房颤中排名靠前的重要特征，但在心功能分级和SV的重要程度方面有不同意见。此外，XGBoost和Stack模型报告缩短分数（FS）、升主动脉内径（AAO）、射血分数（EF）、舒张末期容积（EDV）、年龄和主动脉瓣流速（AV）等特征也发挥了重要影响（图3a、3b）。

　　图3　基于SHAP算法的XGBoost和Stack模型在预测房颤时的整体可解释性分析

　　针对XGBoost采用树状解释方法，Stack模型采用核状解释方法。相同解释方法中，SHAP值越高代表该特征影响越大，但不同解释方法之间，SHAP值不直接存在大小对比关系；a、b：预测中对模型影响最大的前20个特征，排名越靠前的特征越重要；c、d：模型中对房颤预测影响最大的前20个特征之间的相关性汇总图。每个点是1例患者，从红到蓝的颜色表示该项特征相应的高值到低值。数字基线（SHAP值为0）左侧的点代表对患有房颤做消极贡献，而右侧的点代表对患有房颤做积极贡献，离基线越远影响程度越大；LAD：左心房内径；Emv：E峰流速；RAD：右心房内径；SV：每搏输出量；EDV：舒张期末容积；AAO：升主动脉内径；EF：射血分数；FS：缩短分数；AV：主动脉瓣流速；LVD：左心室内径；EDD：舒张期末直径；ESV：收缩末期容积；IVS：室间隔厚度

　　根据SHAP相关汇总图，XGBoost和Stack模型均认为LA、Emv、RA、心功能分级、年龄和胆固醇与房颤呈正相关，而SV、EDV、AAO、EF、FS和AV呈负相关（图3c，3d）。基于在群体层面上获得的发现，可进一步了解这两个模型中的特征对单个患者的具体影响，以指导临床管理人员对个体情况进行干预。

　　在整体的SHAP分析基础上，我们可以在单个实例的层面对房颤预测做出解释。如图4a中的房颤患者，左、右心房直径增大（LA=52.0 mm，RA=42.0 mm），瓣膜处血流速度增加（Emv=2.3 m/s），血肌酐值上升到100.0 mmol/L，这些特征显著增加了房颤的几率，而SV=92.0 mL缓解了几率增加的趋势，但模型仍认为患者有98%的房颤概率。图4b中患者左心房直径（LA=41.0 mm）较正常，瓣膜处血流速度（Emv=1.2 m/s）较正常，这使患房颤的概率降低到2%。临床管理人员可以灵活地选择在整体和个体层面进行房颤分析。

　　图4　房颤预测中基于SHAP算法的单个实例可解释性分析

　　SHAP算法计算出每个样本的预期SHAP值，取其平均值作为单个实例的基准；图中的每个特征被用作增加或减少基准值的驱动因素；红色特征增加了患者患房颤的概率，而蓝色特征则相反。此外，特征条的长度表示该特征的影响强度；a：1例瓣膜性房颤患者示例；b：1例无瓣膜型房颤患者示例

　　3 讨论

　　这是第一个使用机器学习集成模型并应用解释性方法分析房颤的框架。我们使用3种标准机器学习和三种集成机器学习方法构建分析框架，在标准机器学习和集成机器学习中分别选择XGBoost和Stack模型作为诊断房颤的最佳表现模型，进一步进行可解释分析。Stack模型因其出色的房颤检出率和普适性而具有良好的临床应用前景。此外，Stack模型比经典的logistic回归模型有大幅度性能改进。最后，XGBoost和Stack模型都认为LA、Emv、RA和心功能分级是与房颤相关的重要特征。

　　XGBoost和Stack模型都显示左心房内径与房颤有关。正如以前的研究[26]显示，左心房容积随着房颤进展表型的增加而增加。此外，另一项研究[27]显示，左心房前后径的增加对阵发性房颤的发生有促进作用。左心房大小增加表明左心房结构重塑以及心房纤维化[28-29]。LA的扩张是新发房颤的一个独立预测因素[30]。而在我们的研究中，LA的大小也可以预测瓣膜性心脏病患者的房颤。同样，RA也被报道与房颤有关。RA＞87 mm被认为是导管消融术后房颤复发的预测因素[31]。心房大小的增加可能表明结构重构，这是房颤发生的基质。有研究[32]表明，RA重构也参与了房颤的发展。左心房和右心房的扩张，表明结构重构是房颤的风险和预测因素。在瓣膜性心脏病中，心脏瓣膜功能障碍引起的血流动力学变化加重了心脏负荷，导致心肌重构，这可能成为房颤发生的潜在因素。

　　我们的研究发现，与房颤相关的另一个重要风险因素是心功能分级。在我们的研究中，心功能差成为房颤的高风险因素。心力衰竭被认为是房颤的一个危险因素，房颤患病率的增加与较高的心功能分级有关。在FHS（Framingham心脏研究）中，心力衰竭与较高的房颤风险有关。对于心力衰竭患者，与神经激素和促炎症激活有关的机制可能会诱发心肌炎症和纤维化，这将造成心力衰竭和房颤之间的紧密联系[33]。

　　与传统统计学方法相比，我们的框架有3个优势。首先，在处理多个特征之间的复杂关系方面，机器学习优于经典的logistic回归，使用机器学习方法构建的框架在房颤诊断分析方面有更好的性能。其次，集成模型融合了多个标准机器学习模型的优点，在处理数据增强后的数据集方面仍可保留足够的泛化性能，并有出色的房颤诊断性能。最后，SHAP算法弥补了目前机器学习解释性差的问题，在不影响模型性能的前提下，为群体或个体的临床干预提供了优秀的指导能力。

　　我们提出的房颤分析框架具有潜在的临床意义。第一，我们的机器学习模型可以帮助医生发现哪些没有检测到房颤的瓣膜性心脏病患者可能是房颤的高危人群，这部分人应该延长心脏监测。也可以减少部分群体不必要的进一步医疗检查，避免医疗资源的浪费。至于无症状性房颤，研究[34-35]表明，延长植入式心脏监测器的检测时间会具有检测以前未诊断房颤的优势，并且与标准监测相比，房颤检测率明显提高。然而，长期植入式心脏监测的成本-效益受质疑。考虑到对所有瓣膜性心脏病患者用长时间的心脏监测进行检测是不现实的。因此，我们的研究可以为筛查瓣膜性心脏病患者中的房颤高危人群提供一种更具成本-效益的合适方法。第二，通过我们的机器学习方法可以检测房颤以提供后续干预，推荐他们进行房颤的早期抗凝治疗，预防卒中和血栓栓塞事件。第三，我们的模型所确定的一些有用的独立预测因子可以帮助医生更加关注其它临床信息。例如，在我们的机器学习中，射血分数被认为是房颤的负面预测因素，根据我们的结论来看，较低的射血分数可能会提高房颤发生风险。因此，那些患有心力衰竭且射血分数值较低的患者将受到更多关注。改善射血分数值的药物，如洋地黄，可降低瓣膜性心脏病和心力衰竭患者的房颤风险。此外，血液中的胆固醇和肌酐水平可能会增加瓣膜性心脏病患者的房颤风险。然而，血胆固醇、血肌酐水平和房颤风险之间的关系需要通过更多的临床试验来验证。

　　我们进行的这项研究是一项回顾性研究，研究对象只涉及瓣膜性心脏病患者。所以我们只能对院内的瓣膜性心脏病患者进行相关分析。值得注意的是，我们的机器学习模型具有筛查高危房颤患者的优势，可以建议他们接受必要的监测和预防卒中和血栓栓塞症。与心电图等房颤的金标准相比，我们的机器学习模型的优势在于通过分析患者的电子健康记录，包括病史记录、生理数据以及体检数据，来识别更多的房颤高危患者。此外，我们的机器学习模型可以帮助医生制定合理、经济的心电图监测计划，合理分配医疗资源。

　　我们根据容易获得的瓣膜性心脏病患者的电子健康记录数据，使用一系列有可解释性的机器学习方法，展现其在预测房颤方面的优异性能。我们发现，标准机器学习模型和集成机器学习模型的表现都优于经典logistic回归。相较传统心电图，我们对房颤的风险预测、风险因素分析从另一个角度提供了有意义的临床指导。XGBoost、Stack模型可以为临床医生监测瓣膜性心脏病患者节省资源，而且准确、方便。我们的模型可以作为一个指导工具，筛选出高风险的房颤患者，作为连续心电图监测的最佳适用人群进行临床干预。最后，我们需要外部验证来进一步验证该框架的实际功效。

　　利益冲突：无。

　　作者贡献：钱永军组织研究、收集数据、修改论文；赵启军设计、组织研究、修改论文；雷诺扬帆设计、执行研究、撰写论文；童琪参与设计、执行研究，收集数据；张译文收集、分析数据；王政捷收集、分析数据；潘帆设计、组织研究；李涛收集数据。

　　参考文献略。

　　作者介绍

　　通信作者：钱永军

　　钱永军，副主任医师、硕士研究生导师。中国医师协会心血管外科分会十佳青年医师获得者，中华医学会胸心血管外科分会Lillehei最高奖菁英奖获得者，中华医学会胸心血管外科分会厄尔.巴肯奖第一名获得者，四川省胸心外科专业学术和技术带头人后备人选，四川省卫健委胸心外科专业学术和技术带头人后备人选。专注于心脏病微创治疗，尤其是一站式房颤微创治疗，腔镜瓣膜病微创治疗等，拥有三项华西医院微创心脏手术新技术。德国斯图加特Stuttgar Sana心脏中心及美国克利夫兰医学中心Cleveland Clinic访问学者。

　　主持教育部博士点、四川省科技厅重点研发支撑等项目10余项，发表SCI论文30余篇，主编《瓣膜病心房颤动基础研究及精准治疗》，授权专利10项，转化专利1项。现为美国《胸心血管外科杂志（JTCVS）》特约翻译，《中国胸心血管外科临床杂志》、《中国循证医学杂志》及《华西医学》等杂志编委，多家SCI杂志审稿人。

　　通信作者：赵启军

　　赵启军，四川大学计算机学院（软件学院）教授、博士生导师、副院长。1999-2006年在上海交通大学计算机系获得学士与硕士学位，2006-2010年在香港理工大学电子计算学系获得博士学位，2010-2012年在美国密歇根州立大学任博士后研究员。长期从事生物特征识别领域的研究工作，近年来主持相关的国家自然科学基金项目、科技部重点研发计划项目子课题、省部级项目和企业合作项目等10余项，已在国际国内学术会议和期刊上发表学术论文100余篇，获授权发明专利10多项。曾获评上海市自然科学奖二等奖，国际计算机视觉与模式识别会议（CVPR）杰出审稿人等。曾担任第11届中国生物特征识别大会（CCBR2016）和2018年IEEE身份、安全与行为分析国际会议（ISBA2018）的程序委员会主席，第9届IEEE生物特征识别理论、应用与系统国际会议（BTAS2018）和2021年生物特征识别国际会议（IJCB2021）的人脸识别领域主席。现任《中国图象图形学学报》青年编委。

　　第一作者：雷诺扬帆

　　雷诺扬帆，四川大学计算机学院（软件学院）硕士研究生在读，研究方向为医工交叉学科。主要研究内容为医学大数据分析、医学图像分析、多模态数据处理等。

利用电子健康记录分析心脏瓣膜疾病合并心房颤动的机器学习模型（附视频）

最近更新小说资讯