人工智能；心電分析技術；心律失常；心電圖診斷

楊柳青青,蔡於馨,方婕,等. 人工智能心電分析技術在心律失常診斷中的應用研究進展［J］. 實用心電學雜志, 2024, 33(5): 499-504.

DOI: 10.13308/j.issn.2095-9354.2024.05.013.

      心律失常是指心臟沖動的頻率、節(jié)律、起源部位、傳導速度或激動次序的異常，這種異?？捎善髻|(zhì)性或非器質(zhì)性疾病引起。心電圖檢查通過收集并轉(zhuǎn)換體表心電信號，直觀反映心臟的電活動，可為心律失常的分類提供重要依據(jù)，而且具有無創(chuàng)、便捷、價格低等優(yōu)勢，因此常用于心律失常的診斷。醫(yī)生在審閱心電圖時，需運用其專業(yè)的分析能力，結(jié)合心電醫(yī)學專業(yè)知識和豐富的臨床經(jīng)驗進行詳盡而細致的觀察與解讀，并據(jù)此出具心電圖診斷報告。然而由于心電數(shù)據(jù)之繁雜、分析條目之多，加之心電圖檢查操作可能存在的誤差等諸多因素，這一過程既耗時又耗力，且不可避免地存在一定的漏診和誤診的風險，影響診斷的及時性和準確性。當前隨著人工智能技術與醫(yī)學的融合，特別是深度學習和機器學習等技術的快速迭代，心電分析技術得到了蓬勃發(fā)展，人工智能心電圖已在疾病診療、預后評估等諸多領域展現(xiàn)優(yōu)勢。

      心律失常的心電圖表現(xiàn)多變，尤其是病情較重的冠心病患者，其心律失常心電圖表現(xiàn)未必典型，加之檢查時間受限，因此容易漏診。相較于常規(guī)心電圖，動態(tài)心電圖的診斷更為準確精細，能檢出大多數(shù)無癥狀性心肌缺血、判斷心律失常類型，對預防冠心病患者的心臟性猝死也有極高的臨床價值。李方江等以1 240例患者為研究對象，以專業(yè)醫(yī)師的心律失常診斷為金標準，通過對比人工智能心電圖對惡性心律失常進行預測和預警的相關數(shù)據(jù)，證實當前人工智能心電圖對惡性心律失常的預警準確率已十分可觀，若能大范圍用于臨床實踐，將大幅提高惡性心律失常的診斷率，降低患者的病死率。

      本研究從心律失常診斷的重點出發(fā)，綜述人工智能心電分析技術在心律失常診斷中的應用，并對其最新的研究成果進行介紹；同時，基于我國臨床上對心電圖的實際需求，以及心律失常篩查、診斷和隨訪的實際情況，概述了人工智能心電分析技術在心律失常診斷中的應用前景和挑戰(zhàn)。

人工智能分析與深度學習技術

      深度學習技術通過挖掘和提取心電圖潛在的本質(zhì)特征以及數(shù)據(jù)中蘊含的復雜信息，可以有效避免手動提取特征的不確定性，為心電圖大數(shù)據(jù)分析提供了可行的技術途徑。美國谷歌公司開發(fā)的深度學習模型可通過大數(shù)據(jù)訓練，對提取的心電圖特征進行分類，在實際應用中表現(xiàn)出較高的敏感性和特異性。此外，還有研究團隊開發(fā)出基于深度學習的心電圖自動分析系統(tǒng)，可以自動檢測多種心律失常類型，并生成詳細的診斷報告。該系統(tǒng)的準確率較高，且能夠快速處理大量心電數(shù)據(jù)，為臨床醫(yī)生及時提供診斷信息，還有助于降低人為因素導致的誤診和漏診風險，為心血管疾病的早期發(fā)現(xiàn)和治療提供了有力支持。

      心電分析技術識別算法多樣，大多以深度學習模型為基礎，利用心電圖數(shù)據(jù)庫，自動學習和識別心律失常的心電圖特征，并進行分類診斷。當前心電圖的R波檢測技術較為完善，可達到較高的精度，對采集的心電信號經(jīng)過濾波處理后進行R波檢測，明確心拍（心臟的一個完整心動周期）的位置。郭慶等設計了一款基于安卓平臺的心電分析系統(tǒng)，選擇整系數(shù)濾波器處理心電數(shù)據(jù)濾波；在心電分析中，采用計算量適中且對R波具有較高檢測率的自適應差分閾值法檢測QRS波。該系統(tǒng)還能利用計算機更高效、更準確地對心律失常的各種分類方法進行判斷。常用分類方法有多變量統(tǒng)計分類（貝葉斯定律）、模板匹配、Fuzzy理論等，或綜合模糊認知圖、主成分分析等心律失常判別算法。該系統(tǒng)選擇的是一般特征值邏輯分支法。研究結(jié)果表明，綜合以上算法制成的模型可以有效且快速地對心律失常進行分類，這樣的系統(tǒng)或軟件如廣泛應用在移動端，將有效協(xié)助心律失常的診斷，應用場景也將不僅局限于醫(yī)院，而會深入居民日常生活。林澤濤等提出了一種基于聚類分析的算法，不僅能快速準確處理龐大的QRS波數(shù)據(jù)量，還能根據(jù)個體特征進行不同模板的分類，區(qū)分心律失常類型。此外，該算法還具有自學習和自適應功能，與有監(jiān)督學習的神經(jīng)網(wǎng)絡相比，無監(jiān)督的自學習功能更能突破受訓樣本量的限制，從而實現(xiàn)更高效、更及時的學習。李聲師基于卷積神經(jīng)網(wǎng)絡寬度學習系統(tǒng)（convolutional neural network-based broad learning system，CNNBLS）心律失常分類模型的研究顯示，CNNBLS相比于其他分類器，有較高的特征提取準確率，同時在增量學習中，由于針對性地增加了數(shù)據(jù)，大幅提高了檢測效率。在對比實驗中，CNNBLS的增量學習相較卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）和長短期記憶網(wǎng)絡（long short-term memory,LSTM）耗時更短。DAS等基于ST段的特征提取方法，利用多層感知機神經(jīng)網(wǎng)絡對心電圖信號進行識別分類，為計算機輔助診斷或預警心臟疾病帶來新局面。ALQUDAH等從心電圖信號提取高斯混合系數(shù)特征值和小波分解特征值，并采用主成分分析技術對這兩種特征進行降維，將主成分分析獲得的最顯著特征輸入概率神經(jīng)網(wǎng)絡和隨機森林兩種分類器進行心律失常分類，具有較高的準確性，該模型為日常心電監(jiān)測帶來新的可能。ATTIA等收集了18萬名受試者的共計65萬條心電圖數(shù)據(jù)，利用CNN模型來識別正常人和心房顫動（簡稱房顫）患者的竇性心律心電圖，結(jié)果發(fā)現(xiàn)人工智能能夠通過分析心電圖數(shù)據(jù)來預測房顫，尤其是在識別與預測陣發(fā)性房顫方面表現(xiàn)優(yōu)異。具體而言，人工智能不僅可以識別出正在發(fā)作的陣發(fā)性房顫，還能在竇性心律階段預測出將來可能發(fā)生的陣發(fā)性房顫。

      近年來，人工智能利用深度學習等算法可以自動識別和提取心電圖中的特征信息并進行分類，輔助醫(yī)生診斷心律失常類型；采集到的數(shù)據(jù)還可以上傳保存并建立數(shù)據(jù)庫，為患者復診、醫(yī)生和醫(yī)學生的學習總結(jié)提供臨床資料。

人工智能分析與各類神經(jīng)網(wǎng)絡技術

      不同神經(jīng)網(wǎng)絡的應用可以協(xié)助醫(yī)師更高效、準確地進行心律失常的診斷。

2.1  CNN

      CNN類似于人工神經(jīng)網(wǎng)絡的多層感知機，在圖像識別上具有顯著優(yōu)勢，是計算機視覺領域的重要技術。作為一種基于卷積操作的深度學習模型，CNN卷積層和池化層的結(jié)構(gòu)更適用于處理具有空間結(jié)構(gòu)的數(shù)據(jù)，可進行多層次和抽象特征的提取，能用于處理心電圖圖像和人工智能學習。ATTIA等在當前無明顯房顫特征信號的心電圖中，以神經(jīng)網(wǎng)絡模型準確推測出既往發(fā)生過的房顫并預測未來可能發(fā)生的房顫，證實了CNN能利用訓練和驗證數(shù)據(jù)集進行訓練，從而推測或預測房顫的發(fā)生，而關于CNN的性能指標和在心律失常診斷中的具體作用還需更多研究。

      光電容積脈搏波（photo plethysmography，PPG）是一種新型心電信號，常與可穿戴設備等結(jié)合以實現(xiàn)持續(xù)心電監(jiān)測，顯示出其獨特價值。POH等收集智能手機采集的來源于多中心公共數(shù)據(jù)庫的17 s PPG信號片段，采用深度CNN對房顫、竇性心律、異位起搏點、噪聲進行區(qū)分處理，在包含1 013名受試者3 039個PPG波形的驗證數(shù)據(jù)集中，深度CNN檢測房顫的曲線下面積（AUC）高達0.997。PPG聯(lián)合便攜式可穿戴設備持續(xù)采集心電信號，并利用人工智能分析技術建立相關數(shù)據(jù)庫，形成風險評估模型，在預測心律失常的發(fā)生率和嚴重程度方面均有一定臨床價值。

2.2  深度神經(jīng)網(wǎng)絡

      深度神經(jīng)網(wǎng)絡（deep neural network，DNN）是一種多層無監(jiān)督神經(jīng)網(wǎng)絡，具有高度非線性建模能力，可依據(jù)數(shù)據(jù)規(guī)模進行擴展或精簡，克服了人工設計特征煩瑣耗時、傳統(tǒng)神經(jīng)網(wǎng)絡容易過擬合且訓練速度過慢，以及淺層建模難以處理復雜非線性問題等缺點，還能利用有監(jiān)督學習方式對模型進行微調(diào)，從而增強模型在處理新任務時的預測準確性、訓練效率和泛化能力。HANNUN等從53 549例患者中選取了91 232份單導聯(lián)心電圖，采用端到端的DNN模型進行訓練，證實了DNN能將大量的心電圖數(shù)據(jù)分為不同的心律失常類別，且具有較高的準確性，并能夠識別出正常心律、噪聲信號和多種常見心律失常。這種DNN模型在驗證集上表現(xiàn)出較高的AUC與調(diào)和平均數(shù)，對心律失常的預測能力明顯優(yōu)于心內(nèi)科醫(yī)師。在利用智能手表采集PPG信號以監(jiān)測房顫的研究中，有時也會利用深度學習技術，特別是DNN的引入提高了信號處理的精確度。TISON等創(chuàng)新性地采用包含8層DNN的架構(gòu)，通過訓練集（即源自公共數(shù)據(jù)庫的9 750段PPG信號）的學習與優(yōu)化，在從住院患者采集的51段PPG信號構(gòu)成的外部驗證隊列中進行了有效驗證，結(jié)果顯示該模型表現(xiàn)優(yōu)異：敏感性和準確性較高，AUC達到了0.97。DRR等另辟蹊徑，采用數(shù)字函數(shù)模型對PPG信號進行處理，研究范圍涵蓋了672例患者的PPG數(shù)據(jù)集，并同步記錄了單導聯(lián)心電圖作為對照。研究結(jié)果顯示，該模型檢測房顫的敏感性高達93.7%，特異性也達到了98.2%。此外，SUN等利用商業(yè)相機采集的面部特征數(shù)據(jù)，構(gòu)建一個包含12層DNN的模型，對453例患者的面部特征進行了詳盡分析。該模型聚焦于關鍵區(qū)域，通過解析這些區(qū)域的RGB信號，成功構(gòu)建了7 320段、每段時長30 s的心血管PPG。基于這些信號，該研究深入分析了房顫及其他異常心律的發(fā)生情況，結(jié)果顯示該方法的敏感性高達95.0%，特異性亦達到了87.3%，充分展示出其在心律失常檢測中的潛力和準確性。這些數(shù)據(jù)進一步驗證了數(shù)字函數(shù)模型在PPG信號處理和房顫監(jiān)測中的優(yōu)勢及其在臨床應用中的廣闊前景。

2.3  循環(huán)神經(jīng)網(wǎng)絡

      循環(huán)神經(jīng)網(wǎng)絡（recurrent neural network，RNN）是一種為彌補前面兩類神經(jīng)網(wǎng)絡的不足而構(gòu)建的特殊神經(jīng)網(wǎng)絡。與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡的子類如CNN、DNN不同，RNN具有對過往輸入/輸出信息的記憶功能，其循環(huán)連接的結(jié)構(gòu)特別適用于處理序列數(shù)據(jù)。RNN在每個時間步都會接收輸入數(shù)據(jù)和前一個時間步的隱藏狀態(tài)，并據(jù)此計算和輸出當前時間步的隱藏狀態(tài)和預測結(jié)果。RNN具有參數(shù)共享和時態(tài)動態(tài)性的特點。后續(xù)出現(xiàn)的LSTM和門控循環(huán)單元，是對RNN的改進。心電圖信號作為一種時間序列數(shù)據(jù)，詳細記錄了心臟隨時間變化的電活動，且心律失常的發(fā)生也與不同時間的心電活動具有密切的關聯(lián)性，因此，具備出色的序列數(shù)據(jù)處理能力、能夠捕捉前后信息關聯(lián)性和時間依賴性的RNN，無疑成為一種在診斷和預測心律失常方面表現(xiàn)優(yōu)異的心電分析工具。羅萌將LSTM模型應用于心律失常的分類診斷，證實了該模型具有自主學習能力，并能夠自動挖掘心電圖數(shù)據(jù)深層特征以進行分類和診斷。

基于人工智能技術的心血管疾病風險評估及預測

      人工智能心電分析技術對心律失常的風險評估與預測有望為臨床上減少心血管事件的發(fā)生提供新的思路。心血管疾病風險預警模型的歷史可追溯至20世紀60年代，特別是美國弗萊明翰研究中心創(chuàng)建的Logistic回歸模型為這一領域的研究奠定了基礎。隨后在此基礎上，英國學者進一步建立了一個名為QRISK的10年心血管風險評估系統(tǒng)模型，相較于之前的模型，其納入監(jiān)測的風險因子更為全面。1998年，WILSON等簡化了QRISK相關的預測方程，并將其納入第五次高血壓更新和膽固醇教育計劃。2009年，弗萊明翰心臟研究中心對上述心血管風險預測工具進行了優(yōu)化和拓展，采用適配歐洲不同地區(qū)的個體化計算公式，從而使預測更加嚴謹。然而，我國的心血管疾病的流行病學特點與歐美國家存在明顯差異，弗萊明翰模型的預測值與國內(nèi)臨床實際并不完全吻合。與機器學習模型相比，基于傳統(tǒng)回歸模型的風險評分只能分析少量的心血管危險因素。此外，有研究提出可巧妙融合中醫(yī)辨證思想的精髓與現(xiàn)代醫(yī)學理論，創(chuàng)造性地構(gòu)建針對冠心病合并糖尿病的病證一體化風險預測模型，為中西醫(yī)早期干預該病提供堅實的科學依據(jù)。

      我國是少數(shù)開展動脈粥樣硬化性心血管疾病長期隊列研究的國家，并開創(chuàng)了相關預測模型。顧東風團隊建立的中國人群10年動脈粥樣硬化性心血管疾病發(fā)病風險預測模型，可以通過輸入年齡、血脂水平等指標，預測10年后個體動脈粥樣硬化性心血管疾病的發(fā)病風險。另外，國內(nèi)許多研究機構(gòu)也提出了以特定指標為監(jiān)測對象的心血管病預測模型。梁永會等研究發(fā)現(xiàn)，檢測左心室射血分數(shù)、左心室后壁厚度，聯(lián)合NT-proBNP、肌酸激酶同工酶等生化指標，在心臟疾病預后的評估中展現(xiàn)出了高度的準確性和特異性。徐文娟等采用Cox比例風險回歸模型建立了適合我國人群的缺血性心血管疾病發(fā)病風險預測模型。李吉慶等進一步對該模型進行了優(yōu)化，通過細致的變量篩選，深入分析了影響心血管事件發(fā)生的因素。該研究結(jié)果表明，優(yōu)化后的模型在預測心腦血管疾病風險方面展現(xiàn)出了良好的性能。

      隨著信息化時代的到來，人工智能分析技術可以利用大數(shù)據(jù)和機器學習算法等技術，建立疾病風險評估模型，這些模型在心血管影像學、心電圖解讀、患者精細分群等多個方面，為醫(yī)師提供有力的診療輔助。例如，人工智能技術可以通過對患者病史、實驗室檢查結(jié)果和個人信息進行分析，預測患者未來發(fā)生心律失常的概率和嚴重程度，從而有助于制定更加合理的干預方案。此外，有關房顫的診斷與預測，心電圖上P波的早期形態(tài)指標及參數(shù)指標可作為建立房顫模型的參考依據(jù)之一。有關冠心病的篩查，阜外醫(yī)院開展了一項多中心橫斷面研究，在算法的開發(fā)及試驗階段，通過隨機分組的方式，運用深度CNN對冠狀動脈造影、冠狀動脈CT血管造影及人臉特征進行深度學習，以評估冠心病的發(fā)生風險。算法試驗階段的結(jié)果顯示，該臉部特征算法診斷冠心病的敏感性為0.80，特異性為0.54，其AUC為0.730（95%CI：0.699～0.761），顯著優(yōu)于Diamond-Forrester模型及冠心病聯(lián)盟臨床評分等預測模型（P＜0.01）。該技術有望用于醫(yī)院門診或社區(qū)冠心病的篩查和診斷。

人工智能心電分析技術的應用前景及挑戰(zhàn)

      當前，我國正面臨人口老齡化進程不斷加速的嚴峻挑戰(zhàn)，同時，吸煙、肥胖等不良生活方式的廣泛存在，也進一步加劇了公共衛(wèi)生領域問題的復雜性。這些現(xiàn)象相互交織，對國民健康構(gòu)成了重大影響，亟需社會各界的高度關注與有效應對。《中國心血管健康與疾病報告2022》指出，我國的心血管病患病率正處于持續(xù)上升階段，疾病負擔下降的拐點尚未出現(xiàn)，據(jù)推算，心血管病現(xiàn)患人數(shù)已達3.3億。在城鄉(xiāng)居民疾病死亡構(gòu)成中，心血管病占首位，每5例死亡患者中就有2例死于心血管病。如何完善心血管病的早期篩查，實現(xiàn)有效診療并改善預后是當前面臨的一大問題。心律失常的診療形勢十分嚴峻，如何早期預防和診斷心律失常，防止心血管事件的發(fā)生，避免心臟性猝死，已成為我國乃至世界醫(yī)療領域研究的熱點。

      基于強大的數(shù)據(jù)收集功能和算法，人工智能分析技術在心律失常診斷中具有以下優(yōu)勢及應用前景。1） 自動化分析，提高診療效率：人工智能通過深度學習算法自動識別和提取特征心電信息，對心律失常進行分類并出具診斷報告，尤其擅長處理復雜無癥狀的病例。該技術能夠輔助醫(yī)師提高心律失常診斷的準確性和效率，進而提高醫(yī)療資源的利用效率。2） 個性化診療，實現(xiàn)早期干預：依據(jù)患者的心電圖數(shù)據(jù)和個體差異，人工智能分析技術有助于醫(yī)師掌握疾病的動態(tài)變化情況，建立風險評估模型，從而選擇相應的診療方案進行精準醫(yī)療，實現(xiàn)早期預測和干預。3） 智能化診療，實現(xiàn)遠程醫(yī)療：人工智能心電圖技術可在云端收集并分析、學習患者的海量心電圖數(shù)據(jù)，結(jié)合心電診療工具，實現(xiàn)智能化心電診療。同時，人工智能分析技術可推動遠程醫(yī)療的發(fā)展，讓醫(yī)生能夠遠程為患者提供診療方案。4） 跨學科融合，推動醫(yī)療領域進步：如將人工智能分析技術與可穿戴設備結(jié)合，可實時監(jiān)測患者的心電數(shù)據(jù)；與基因測序技術結(jié)合，分析并預測患者發(fā)生心律失常的風險等，這對于早期發(fā)現(xiàn)并及時降低房顫引起的腦卒中、心力衰竭、死亡等嚴重并發(fā)癥的風險具有重要意義。

      在人工智能心電分析技術為心律失常診斷帶來的諸多優(yōu)勢之下，亦潛藏眾多挑戰(zhàn)。1) 數(shù)據(jù)質(zhì)量和標準化：人工智能技術需要大量的高質(zhì)量數(shù)據(jù)和標注數(shù)據(jù)以供訓練和測試，但是在數(shù)據(jù)的收集及處理過程中需要專業(yè)的醫(yī)生進行數(shù)據(jù)標注，同時由于個體差異、采集設備、操作規(guī)范等因素影響，呈現(xiàn)出的數(shù)據(jù)和臨床表現(xiàn)之間并不完全對等，所以為了獲得足夠多的高質(zhì)量數(shù)據(jù)，需要建立統(tǒng)一的數(shù)據(jù)標準和采集規(guī)范，也需要醫(yī)生和人工智能技術人員密切合作，以提高數(shù)據(jù)的可用性和可靠性。2） 算法優(yōu)化與改進：當前人工智能心電技術中的算法仍需進一步完善，以增強其泛化能力和魯棒性，從而更好地適應對臨床復雜多變的心律失常的診療。3） 算法可解釋性較低：醫(yī)生難以理解算法的決策過程和結(jié)果，從而影響對診斷結(jié)果的信任度。因此，需要加強算法的可解釋性研究，驗證其可行性和可靠性，從而提高醫(yī)生對診斷結(jié)果的信任度。4） 技術普及和應用面臨諸多問題：需要加大對人工智能心電分析技術的宣傳力度以提高普及率，并加強推廣以促進應用。此外，還需要解決一些倫理和社會問題，如患者的隱私和數(shù)據(jù)安全、人工智能技術在醫(yī)療領域的應用安全等，并進一步完善相關法律法規(guī)，以規(guī)范人工智能技術在醫(yī)療領域中的應用。

小結(jié)

      人工智能心電分析技術可以提高臨床心律失常的診療效率，在提供個性化診斷的同時評估和預測心血管疾病風險，推動精準醫(yī)療的發(fā)展。然而，當前仍需更多的研究和臨床實踐來驗證這項技術在臨床應用的可行性和可靠性，同時需要更多的宣傳和推廣來促進技術的普及和應用。此外，心電圖檢測的關鍵環(huán)節(jié)還包括標準化技術應用、患者注意事項告知及皮膚護理。這些內(nèi)容在本文中雖未詳述，但對提升檢測質(zhì)量至關重要。以上環(huán)節(jié)的完善可確保數(shù)據(jù)準確，減少誤差，并避免外部干擾。綜合實施這些措施，能顯著降低心電圖偽差，從而進一步提升心電圖的診斷效率。

責編：陳海林

排版：李政萍

統(tǒng)籌：顧    艷

審核：徐云峰