心脏病变区域的精准识别一直是医学影像分析的核心难题。传统技术受限于局部与全局特征的割裂，难以兼顾边界清晰度与细微结构捕捉，直接影响临床治疗方案制定的科学性。该瓶颈长期制约着心血管疾病的早期诊断与精准干预。 针对这一挑战，安徽建筑大学陈永麟团队联合南京林业大学、安徽大学及武汉市第三人民医院开展跨学科攻关。研究发现，现有模型的局限性主要源于两方面：单一尺度处理难以适应不同复杂程度的病灶形态；局部特征与全局信息的融合缺乏动态调整能力。这导致传统算法在CT、超声等异构影像数据上的表现存在显著波动。 团队创新提出的DAF-Mamba模型通过两大核心技术实现突破：动态多尺度选择模块（DMSM）可智能匹配影像复杂度，在保证精度的同时将计算效率提升40%；自适应特征融合模块（AFFM）则构建了多层次特征交互网络，使模型在Dice系数等五项关键指标上均超越现有最优算法。临床测试显示，其对心肌梗死区域的识别准确率达到96.2%，边缘定位误差降低至0.87毫米。 这项成果的学术价值已获国际认可。发表于影响因子8.0的《Pattern Recognition》期刊，标志着我国在医学人工智能领域取得重要进展。更值得关注的是，研究团队采取开源策略，将促进技术在全球医疗机构的快速转化。武汉第三人民医院已开展试点应用，初步反馈显示可缩短诊断时间30%以上。 行业专家指出，随着人口老龄化加剧，心血管疾病年新增病例已突破1100万例。该技术不仅为个体化治疗提供新工具，其模块化设计更为肝癌、脑卒中等其他病灶分析开辟了新路径。下一步，团队计划与医疗器械企业合作，推动技术纳入国家医疗设备认证体系。
医学影像识别技术的进步直接关系到诊断的准确性和患者的生命安全。安徽建筑大学团队的这项研究成果展现了我国高校人工智能与医学交叉领域的创新实力，也为全球心脏病患者的诊疗带来了新的可能。随着该技术的推广应用，必将在提升医疗诊断水平、改善患者预后上发挥重要作用。这也提示我们，基础研究与临床实践的结合，正在成为推动医学进步的重要力量。