3月31日，我校生物医学工程学院谢国喜教授团队及合作者在IEEE Transactions on Medical Imaging上在线发表了基于心脏磁共振成像的肺动脉高压无创智能检测模型的研究论文PHNet: A pulmonary hypertension detection network based on cine cardiac magnetic resonance images using a hybrid strategy of adaptive triplet and binary cross-entropy losses，为临床提供了强有力的辅助诊断工具。生物医学工程学院硕士生袁心辰为论文第一作者，谢国喜教授为论文唯一通讯作者，广州医科大学为第一署名单位。

肺动脉高压是一种可引起右心衰的严重肺血管疾病，其临床确诊依赖有创的右心导管检查，基于超声的肺动脉高压检查则存在敏感性和特异性不高、检查结果依赖医生手法等缺点。已有研究表明，我国肺动脉高压患者确诊平均延迟2.2年，部分患者甚至延迟5年或更长时间。长期的肺动脉压过高会导致右心增大和心功能衰竭，多数肺动脉高压患者确诊时已出现严重右心功能不全，致死率和致残率高，严重威胁人们生命健康。因此，无创准确识别肺动脉高压对于患者早诊断、早治疗和预防致死性右心衰至关重要。

基于磁共振成像可准确获取患者心脏运动信息，且具有检查重复性好、一致性高、无电离辐射等优势，研究团队针对这一问题通过多中心跨学科合作，研发了一种全新的肺动脉高压无创智能检测模型——PHNet，该模型基于深度学习技术实现磁共振图像特征的自动提取，并结合自适应三元组损失与二元交叉熵损失的策略，提高了模型对肺动脉高压早期图像特征的学习能力，研究结果显示，PHNet对肺动脉高压检测的准确性为0.912，与现有检测模型相比，其在轻度肺动脉高压的检测上平均错误率降低了24.5%。

原文链接：https://ieeexplore.ieee.org/document/10945497/