正文：2025年7月，约翰霍普金斯大学团队在《Nature》子刊发表研究，推出多模态AI模型MAARS，用于预测心源性猝死风险（SCDA）。该模型基于3D视觉Transformer架构，通过分析LGE-CMR原始图像及融合多模态数据，准确率达89%，在40-60岁人群中更高达93%。相比传统诊断准确率仅50%，MAARS显著提升了肥厚型心肌病的风险评估能力，捕捉医生易忽略的纤维化瘢痕模式。研究由Natalia Trayanova教授领衔，未来计划扩展至扩张型心肌病等更多领域。

7月5日，美国约翰斯·霍普金斯大学等机构的研究人员开发出一款名为“多模态AI室性心律失常风险分层系统（MAARS）”的新型人工智能模型。该模型通过分析心脏增强磁共振成像（MRI）和多种医疗数据，挖掘此前未被识别的心脏健康信息，显著提高对心源性猝死高风险人群的预测准确性。这一成果已发表在《自然-心血管研究》杂志上，有助于减少不必要的医疗干预，挽救生命。

7月5日，美国约翰斯・霍普金斯大学研发出一款名为MAARS的多模态AI模型，可显著提升心源性猝死风险预测的准确性。该系统结合心脏MRI图像与健康记录数据，尤其针对肥厚型心肌病患者，能发现传统方法难以察觉的风险信号。研究显示，现行临床指南判断高风险患者的准确率约为50%，而MAARS模型整体准确率达89%，对40至60岁高风险人群的准确率更高达93%。研究人员称，该模型有望改变临床决策方式，未来还将扩展至其他心脏疾病风险评估。相关成果已发表于《自然-心血管研究》杂志。