心血管疾病是影响人类健康的重要公共卫生问题之一，相关的智能诊断技术对提高临床诊疗效率具有重要意义。临床实践中，超声心动图能够提供丰富的时空结构与功能信息，但受限于采集角度、患者体位及操作条件等因素，多视图数据缺失在真实应用场景中较为常见，从而对基于多视图融合的智能诊断方法提出了新的挑战。

近日，学院大数据智能处理团队2023级硕士研究生谢玉琳在团队王雅娣、谢毅老师指导下，相关研究成果发表于 IEEE Journal of Biomedical and Health Informatics（JBHI）国际权威期刊，该期刊为 IEEE 旗下医学信息学领域的重要期刊之一，主要聚焦于计算机科学与信息系统方法在生物医学与健康领域的交叉应用，展现了我院研究生在医学智能分析与可信多视图学习方向的持续创新能力。

1. 研究背景：多视图“缺失”让超声智能诊断更难、更需要可信融合

论文以 HMC-QU 数据集为实验平台，该数据集包含来自130名受试者的260张超声图像，覆盖两种标准视图（A2C 与 A4C），如图1所示，是目前公开可用、面向心肌梗死（Myocardial Infarction, MI）检测的超声数据集之一。

在多视图MI检测中，若直接采用静态加权融合，往往难以适应不同样本、不同视图质量的波动；而过于复杂的动态策略又可能影响实时应用。

图1：心脏各腔室在 A2C 和 A4C 视图中的超声心动图显示

2. 方法创新：D2GCDW——“先补全、再可信加权”的两步走框架

论文提出 D2GCDW（Dual-Branch Gating Completion + Dirichlet Weighting）框架，如图2所示，核心思路是：

· 第一步：双分支门控补全缺失视图——用 Transformer 建模全局时序依赖，引入 GNN 强化视图间局部结构关系，并通过门控机制协同补全不完整多视图信息。门控网络会根据两条补全分支的可靠性，在“偏向更强分支 / 平衡融合 / 抑制噪声”等情形下自适应调整贡献，从而减少误差传播。

· 第二步：基于Dirichlet不确定性的动态加权融合——根据每个视图的预测置信度/不确定性，自适应调整融合权重，避免低质量视图“拖累”最终判别。论文将各视图输出的不确定性显式建模为 Dirichlet 分布强度、信念与不确定性，并据此计算样本级动态权重完成最终融合。

图2：基于双分支门控补全和狄利克雷不确定性加权的不完全多视图心肌梗死检测方法的总体框架图。

3. 实验结果：准确率92.31%，在缺失视图条件下仍显著领先

在缺失视图设置下，D2GCDW 在HMC-QU数据集上取得 ACC 92.31% / Precision 90.00% / F1 91.50% / Sensitivity 94.44% / Specificity 100.00%，优于多种对比方法，体现出面向真实临床采集约束的鲁棒性与应用潜力。

从图3所示的混淆矩阵分析看，模型对 MI 样本识别非常敏感：可正确识别 16 个 MI 样本且无漏检（FN=0），同时对非 MI 也保持较可靠区分（TN=8，FP=2）。

图3：基于HMC-QU数据集的分类性能混淆矩阵。

进一步地，在视图缺失率设为0.33的五折交叉验证中，模型在多项指标上保持领先（如 Accuracy 0.8657、F1-score 0.8403 等），验证了整体稳定性。

同时，论文报告模型具备较好的效率表现（如最短时间 94.07s），兼顾性能与可用性。图4的训练/测试损失曲线可以看到模型在训练过程中损失值持续下降，并在较少迭代后趋于平稳；同时训练集与测试集曲线变化一致、波动较小，说明方法具有较好的收敛性与训练稳定性，为实际应用提供了更可靠的保障。

图4：模型训练损失与测试损失的比较。

4. 论文信息与基金支持

论文题目：Myocardial Infarction Detection with Incomplete Multi-View Data via Dual-Branch Gating Completion and Dirichlet Weighting。

作者单位：河南大学计算机与信息工程学院、河南省大数据分析与处理重点实验室等。

研究得到河南省自然科学基金优秀青年（242300421171）、国家自然科学基金（62106066）、河南省研究生教育改革与质量提升项目（YJS2024JD30、YJS2023JD28）、河南省高校科技创新团队支持计划（24IRT-STHN021）等支持。