隨著便攜式心電可穿戴設(shè)備的快速發(fā)展，新增的海量心電圖數(shù)據(jù)的判別和診斷已經(jīng)無法僅靠人工來完成。近年來人工智能和機器學(xué)習(xí)（ML），特別是深度學(xué)習(xí)，在輔助診斷、醫(yī)學(xué)影像處理等領(lǐng)域應(yīng)用迅速發(fā)展，在心電圖自動診斷方面也取得了諸多卓有成效的進展。

 

　　博士等對31篇文獻進行了綜述，總結(jié)了深度學(xué)習(xí)應(yīng)用于心電圖相關(guān)的五個領(lǐng)域的研究，包括心律失常、心肌病、心肌缺血、瓣膜病、高鉀血癥和其他非心血管疾病，并對其局限性和未來研究的方向進行了討論。

 

　　概 述

 

　　人工智能在過去十年間發(fā)展迅速，已被廣泛應(yīng)用于醫(yī)療領(lǐng)域。

 

　　人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)

 

　　人工智能有包括機器學(xué)習(xí)在內(nèi)的多個領(lǐng)域，而深度學(xué)習(xí)又是機器學(xué)習(xí)的一個分支，深度學(xué)習(xí)技術(shù)在圖像識別和語音識別中超越了傳統(tǒng)機器學(xué)習(xí)。深度學(xué)習(xí)通過在模型中加入多層的計算單元并形成"深度"模型，從而獲得強大的表示學(xué)習(xí)能力，能從數(shù)據(jù)中學(xué)習(xí)到多層次的抽象表征。

 

　　目前，卷積神經(jīng)網(wǎng)絡(luò)是最常用于分析心電圖的深度學(xué)習(xí)方法。

 

　　心電圖的數(shù)據(jù)分析

 

　　心電圖信號可以用多種形式來表示，每種形式都可以用深度學(xué)習(xí)進行分析。心電圖可以被分為固定長度的單個心臟搏動子樣本，每個心電圖可產(chǎn)生數(shù)百到數(shù)千個子樣本，從中得出的特征可用于傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)，如全連接神經(jīng)網(wǎng)絡(luò)。此外，它可以作為二維布爾（0或1）圖像而非一維信號發(fā)送，與基于圖像的卷積神經(jīng)網(wǎng)絡(luò)高度兼容。

 

　　心電圖分析所擇的信號類型取決于可用的數(shù)據(jù)庫。MIT-BIH房顫數(shù)據(jù)庫是最早發(fā)布的數(shù)據(jù)庫；心臟病學(xué)計算挑戰(zhàn)賽的數(shù)據(jù)集通過引入了更大的數(shù)據(jù)庫；MIMIC數(shù)據(jù)庫也逐漸普及，提供了超過67000份ICU患者的心電圖；醫(yī)療機構(gòu)數(shù)據(jù)庫也在逐漸增長，其心電圖的數(shù)量已遠(yuǎn)超開放數(shù)據(jù)庫。

 

　　心律失常

 

　　心律失常在成年人中的發(fā)病率約為3%，其中以房顫最為常見。通過心電圖識別房顫受到許多研究的關(guān)注，主要涉及人工智能的信號處理、機器學(xué)習(xí)和深度學(xué)習(xí)等方面。

 

　　使用帶有殘差塊的卷積神經(jīng)網(wǎng)絡(luò)可更有效地訓(xùn)練更深的模型，有研究者使用了來自126 526名患者的454 789份心電圖進行訓(xùn)練，并取得了較好的性能結(jié)果。還有研究者使用深度學(xué)習(xí)，根據(jù)患者首個正常竇性心律的心電圖預(yù)測了陣發(fā)性房顫。深度學(xué)習(xí)創(chuàng)新了心電圖數(shù)據(jù)的提取方式，可輔助CHADS2-VASC指導(dǎo)隱源性卒中患者的抗凝治療。此外，研究證實，心電圖深度學(xué)習(xí)模型的診斷準(zhǔn)確率可達到醫(yī)務(wù)人員的水平，甚至略勝一籌。

 

　　心律失常是最常使用心電圖進行鑒別診斷的心臟疾病，其診斷和治療的重要性已得到了充分認(rèn)識，但仍缺乏對心電圖在患者管理中的直接作用的研究。需要進一步研究以評估深度學(xué)習(xí)在臨床工作中的作用，例如，應(yīng)用于篩查和診斷較為少見的疾?。ㄈ缦忍煨蚤LQT綜合征）、更準(zhǔn)確地診斷心律失常（如復(fù)雜的房室傳導(dǎo)阻滯和寬QRS波快速性心律失常），以及為預(yù)測介入手術(shù)（如房顫消融術(shù)）的結(jié)果提供參考意見。

 

　　瓣膜病

 

　　心電圖因缺乏敏感性而無法在傳統(tǒng)的臨床框架中診斷瓣膜病，但深度學(xué)習(xí)模型可通過發(fā)現(xiàn)瓣膜病的細(xì)微結(jié)構(gòu)變化來進行診斷。

 

　　等研究了一個集合模型，該模型結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對原始12導(dǎo)聯(lián)心電圖信號、人口信息和心電圖數(shù)字特征（HR、QT間期、QRS持續(xù)時間、QTc等）進行分析，以對嚴(yán)重主動脈狹窄（AS）進行分類，在一個醫(yī)療中心的10865名患者中進行了驗證并取得了良好結(jié)果，AUC為0.884。

 

　　隨后，Kwon等對有明顯二尖瓣反流的患者復(fù)制了上述研究，并使用一個醫(yī)院系統(tǒng)中的24202名患者的56670份心電圖進行訓(xùn)練，外部驗證測試集由另一個醫(yī)院的10865份心電圖組成。該模型具有較高的靈敏度和陰性預(yù)測值，但特異性和陽性預(yù)測值較低，表明它可作為排除二尖瓣反流診斷的篩選工具。

 

　　心肌病

 

　　在心肌病領(lǐng)域，肥厚型心肌?。℉CM）和左室收縮功能障礙是多個研究小組關(guān)注的焦點。

 

　　在一項結(jié)合了深度學(xué)習(xí)和機器學(xué)習(xí)的研究中，研究者訓(xùn)練了一個改良的卷積神經(jīng)網(wǎng)絡(luò)模型（U-Net），以自動對心電圖各段進行分類，并從深度學(xué)習(xí)模型中生成了一個特征性向量，將其輸入一個更經(jīng)典的基于35 466份心電圖的機器學(xué)習(xí)模型，以預(yù)測患者是否存在肺動脈高壓、HCM、淀粉樣變性和二尖瓣脫垂，并獲得了較好的受試者操作特征曲線下面積（AUROCs），檢測二尖瓣脫垂時達到0.78，檢測HCM時明顯達到0.91。

 

　　此外，梅奧診所的研究者使用了卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型來診斷HCM，該模型在測試集中的AUC為0.96，且陰性預(yù)測值和靈敏度都很高，表明該模型可以作為疑似HCM患者的篩查工具。

 

　　心肌缺血

 

　　盡管心肌缺血是心血管研究中最經(jīng)典的領(lǐng)域之一，但通過文獻檢索僅發(fā)現(xiàn)一篇研究使用心電圖和深度學(xué)習(xí)診斷心肌缺血的論文。

 

　　等使用了一個遷移學(xué)習(xí)的模型，通過將心電圖轉(zhuǎn)換到傅里葉空間（將心電圖信號的表示方法從信號強度與時間的關(guān)系改變?yōu)樾盘枏姸扰c波頻的關(guān)系），并在空間上將12個導(dǎo)聯(lián)堆疊在一起（形成一個2D圖像）。他們在公開的中國心電圖挑戰(zhàn)賽數(shù)據(jù)庫和由中國南方心肌梗死患者的17000份心電圖組成的私人數(shù)據(jù)集上，訓(xùn)練了一個圖像分類模型GoogLeNet。該模型在私人數(shù)據(jù)集中的準(zhǔn)確率為86%，但在挑戰(zhàn)賽數(shù)據(jù)集中的準(zhǔn)確率僅為49%，且研究者未公布敏感性、特異性和AUC分析相關(guān)的結(jié)果。

 

　　未來的研究方向可能包括缺血性心臟（如穩(wěn)定型心絞痛、不穩(wěn)定型心絞痛等）或亞臨床CAD的檢測。

 

　　高鉀血癥和其他非心血管疾病

 

　　除上述心臟疾病外，深度學(xué)習(xí)還被用于識別電解質(zhì)紊亂和預(yù)測健康狀況。已有研究表明，電解質(zhì)或精神疾病（即焦慮）偏離基線對心臟的結(jié)構(gòu)和功能有影響。

 

　　等對來自梅奧診所的患者進行了一項多中心研究，利用2導(dǎo)聯(lián)和4導(dǎo)聯(lián)的心電數(shù)據(jù)識別慢性腎臟病患者是否存在高鉀血癥。雖然該研究的模型對高鉀血癥的特異性較低，但在外部驗證集上取得了較好的準(zhǔn)確度和敏感度，提示非侵入性心電圖可預(yù)測慢性腎臟疾病的高鉀血癥。

 

　　等對使用心電圖來預(yù)測患者的年齡進行了研究。該研究的亞組分析顯示，預(yù)測誤差最大的病例有明顯更多的收縮功能障礙、高血壓和CAD事件，而預(yù)測誤差較小的病例在較少的心血管事件。該研究表明，心電圖可以作為一種生物標(biāo)記，監(jiān)測總體健康水平隨時間變化的規(guī)律。

 

　　結(jié)論

 

　　心電圖包含著大量心臟傳導(dǎo)系統(tǒng)的相關(guān)信息，與CVD（心律失常、心肌病、瓣膜病和心肌缺血）存在緊密聯(lián)系。在解讀心電圖并據(jù)此進行疾病診斷的過程中，深度學(xué)習(xí)模型體現(xiàn)出了較為明顯的優(yōu)勢，并極具發(fā)展前景。

 

　　然而，目前在數(shù)據(jù)訪問和模型共享方面仍存在困難，且原有信息技術(shù)基礎(chǔ)設(shè)施的靈活性有限，現(xiàn)有的深度學(xué)習(xí)模型廣泛在應(yīng)用前必須克服這些障礙。此外，確保深度學(xué)習(xí)模型得到充分驗證也至關(guān)重要。迄今為止，大多數(shù)數(shù)據(jù)集都是由單中心匯總的，存在過度擬合的風(fēng)險，對其他醫(yī)院系統(tǒng)和其他數(shù)據(jù)集的外推性很差。并且，目前還缺乏一個中心模型來比較這些不同的模型在不同醫(yī)療機構(gòu)中的表現(xiàn)。

 

　　雖然本綜述納入的每項研究結(jié)果都肯定了深度學(xué)習(xí)在解讀心電圖方面的價值，但只有少數(shù)研究對模型的心電圖學(xué)習(xí)進行了深入探討。此外，在許多研究的方法論中，沒有顯示出對模型的謹(jǐn)慎選擇。目前，深度學(xué)習(xí)的優(yōu)勢已被許多研究證實，研究者的重心應(yīng)放在闡明哪一種深度學(xué)習(xí)模型可以通過何種方式解決實際的臨床問題上來。

 

　　綜上所述，最新研究顯示，深度學(xué)習(xí)在心電圖分析中顯示出巨大潛力，隨著模型不斷的改進、完善、普及和標(biāo)準(zhǔn)化，深度學(xué)習(xí)模型可在優(yōu)化心臟疾病的診斷和管理中發(fā)揮作用。便攜式心電可穿戴設(shè)備和深度學(xué)習(xí)模型的發(fā)展，為各種CVD的早期識別和干預(yù)提供了機會。

 

　　文獻來源：