基于機器學習的心電圖診斷研究

王官軍 吳婷 汪龍 唐祖勝

心電圖作為臨床最常用的檢查手段之一，在心肌梗死、心律失常等疾病的診斷中有不可替代的作用。但在臨床應用中，心電圖診斷易受判讀醫師個人經驗及主觀因素影響而出現差錯，因此，越來越多的研究聚焦于心電圖信號的自動判讀[1-3]。傳統心電圖輔助診斷技術易受干擾因素影響，存在魯棒性不佳、泛化性能不強的缺點，難以適用于臨床[4-5]。近年來，人工智能在醫療應用領域高度滲透[2]，在圖像識別、智能診斷等方面取得了可喜的成績[3]，而基于人工智能的心電診斷正是今后心電報告的發展方向[6]。中國優質醫療資源過度集中于大中型城市及大型教學醫院，偏遠落后地區及基層醫療機構診療水平較低，心電圖判讀準確性不高一直是亟待解決的問題；同時，醫院大量心電圖均依靠人工診斷，耗時費力，這種落后的心電圖判讀方式制約著中國心電事業的發展[7]，因此，中國亟須建立人工智能心電診斷系統。

圖1 訓練集心電圖可視化Fig.1 Visualization of a case of training set ECG

機器學習是人工智能領域最主要的分支，通過提取數據特征進行數學建模來自動學習數據的內在規律[8-9]。常見的機器學習模型包括K-近鄰(K-nearest neighbor, KNN)、決策樹、隨機森林(random forest, RF)、支持向量機(support vector machine, SVM)、Logistic回歸等[9-10]。快速、準確的心電圖輔助診斷技術成為當前醫療領域研究的熱點[5,11-12]。然而，目前針對心電圖診斷的機器學習算法技術尚不成熟，自動報告錯漏百出，臨床應用存在局限性，很多醫院不得不關掉心電圖人工智能輔助診斷系統[7,13-14]；此外，目前關于各種機器學習算法性能對比的研究很少[15-17]。鑒于上述應用及研究現狀，本文利用公共數據平臺上的大量心電圖記錄，對比4種常見的機器學習分類算法的性能，為進一步的算法研究提供理論依據。

1 研究方法

本文利用公共心電數據庫心電圖記錄，進行4種常見機器學習分類算法的心電圖診斷研究。對心電信號進行預處理并通過主成分分析(principal component analysis, PCA)降維提取特征，針對4種常見的心電圖診斷，分別采用K-近鄰算法、隨機森林、Logistic回歸和支持向量機算法進行二分類預測算法研究，并評估4種算法的預測表現。利用Python 3.7.4編程，開發環境為JupyterLab，并采用Numpy 1.18.1、Pandas 1.0.1及Sklearn 0.22.2包進行科學計算。

1.1 數據獲取

數據來源于PTB-XL心電圖數據庫。該數據庫(https://physionet.org/content/ptb-xl/1.0.1)是國際公認的大型心電數據庫，且公開免費，截至2020年7月，共包含21 837條心電圖記錄。每條心電圖記錄包含10 s的心電數據，采樣率為500 Hz；每條記錄的總樣本點為6萬，均為標準12導聯心電圖(Ⅰ—Ⅲ、aVR、aVL、aVF、V1—V6)，以專有壓縮格式存儲。該數據庫2019年發布時對數據進行了簡化，提升了機器學習的可訪問性及可用性。

1.2 數據預處理

使用PTB-XL心電圖數據庫提供的Python工具提取心電圖數據，并按照推薦方案劃分訓練集(train set)、測試集(test set)。經劃分，訓練集共有19 634例(89.9%)樣本，測試集有2203例(10.1%)樣本。

1.2.1 缺失值處理 刪除訓練集中367例(1.9%)缺少標簽的心電圖數據，共得到19 267例訓練樣本；測試集數據無缺失值。對1例訓練集心電圖進行可視化處理，如圖1所示。

1.2.2 心電圖截取 心電圖波形形態的異常往往體現在每個心電導程中，因此，可以對心電信號進行逐導程分割。心電圖截取長度是影響分類結果的重要因素，截取1 s的心電數據基本可包含所有的波形特征[18]。本文以Ⅱ導聯R波最高點來確定截取范圍(R波最高點之前150個數據點，之后350個數據點)，截取1 s的心電圖片段進行分類研究，如圖2所示，圖中加粗部分為下采樣后的心電圖。

1.2.3 去基線 由于基線偏移會對特征值提取造成很大障礙，尤其是在心肌梗死、ST-T改變的預測中，基線偏移會對模型預測造成很大干擾，導致特征無法被有效識別，因此，在分析心電圖數據前需要通過預處理消除信號基線。通過采用插值方法，可先在心動周期中找到基線，再用所有數據減去基線，即可得到去基線的心電圖數據[18-19]。如圖3所示(圖中虛線為基線)，本研究的心電數據存在明顯的基線漂移。采用PR段作為基線，先取每個導聯PR段上10個數據點的均值作為基線的近似值，然后用所有數據減去該近似值，即可得到去基線的心電圖數據，如圖4所示。

1.2.4 主成分分析降維 心電圖數據經裁剪，合成一個6000(500×12)維的特征矩陣。由于特征維數太大，計算開銷過大，且存在過擬合風險，因此需要進一步減少特征向量維數，本文采用PCA方法。PCA通過正交線性變換進行降維，用方差來衡量信息量，可在顯著降低特征維度的同時，保留絕大部分方差，并在一定程度上降低噪音[20]。訓練集特征矩陣經PCA降維后，累積可解釋方差貢獻率曲線如圖5所示，圖中n為降維后保留的特征個數。在保留150個降維后特征的同時，僅損失少量信息(2.82%)。PCA降維前的心電圖如圖6所示。經PCA降維后，再將降維后的主成分映射到原特征矩陣所在的特征空間，并進行可視化處理(圖7)。對比降維前后的心電圖，發現降維后的心電圖保留了絕大部分原心電圖特征，僅在少數細節處與原心電圖稍有不同。后續所有心電圖數據均采用PCA方法處理，將特征矩陣降至150維。

圖2 截取1 s心電圖數據

圖3 原始心電圖信號

圖4 去基線后的心電圖信號

圖5 累積可解釋方差貢獻率曲線

圖6 主成分分析降維前心電圖

圖7 主成分分析降維后映射到原特征空間的心電圖

1.2.5 樣本不平衡問題處理 近年來，不平衡學習問題作為機器學習的研究領域之一得到密切關注，其本質是數據分布不均衡，導致很多機器學習分類算法的性能被削弱。機器學習算法在不平衡數據集上訓練時，傾向于將樣本預測為多數類。盡管如此可以得到較高的準確率，但會導致很低的召回率，從而出現預測模型無法將正樣本準確分類的情況，甚至造成預測模型完全失效。數據不平衡問題廣泛存在于機器學習的各個領域。相對于多數類樣本，少數類樣本通常攜帶更為重要的信息，具有更高的錯判代價。因此，多數情況下，我們應當更加關注少數類樣本的分類準確性。要處理樣本不平衡問題，通常是從數據、算法和集成三方面著手。數據層面的方法通常為上采樣、下采樣和混合采樣[21-22]。就醫學數據而言，很多數據集都是不平衡樣本，正負樣本比例差異較大，敏感性、特異性差異較大，導致模型的魯棒性較差，而心電數據往往存在樣本數量不平衡問題[2]。本研究存在樣本不均衡問題，所有分類中正樣本比例均顯著低于負樣本比例。欠采樣使最終的訓練集丟失部分數據；而過采樣會導致一個數據點在高維空間中出現多次，增加過擬合風險，很多研究通過在過采樣中加入少量隨機噪聲來減少這類風險。本文基于心電圖多導程特點，利用過采樣方法采集不同的心電導程，如圖8中加粗部分所示。由于心電采集過程中背景噪音的存在，不會出現完全一致的數據點，因此避免了上述簡單復制所帶來的問題。表1為訓練集過采樣前后的正樣本比例數據，經過采樣后，訓練集正負樣本比例大致相同。

圖8 利用心電圖多導程特點進行過采樣

表1 過采樣前后訓練集正樣本比例 n(%)Tab.1 Positive sample ratio of training set beforeand after oversampling

2 結果

為降低模型預測的結構風險，本研究采用K-折交叉驗證方法估計模型誤差。K-折交叉驗證是機器學習領域應用最多的泛化誤差估計方法。它通過將訓練集等分為K份，依次使用其中的K-1份數據作為訓練集訓練模型，剩下的數據作為驗證集測試模型，各得到K個訓練集和驗證集，將這K個模型的平均誤差作為泛化誤差的估計[23]。

圖9 4種算法的準確率對比

本研究采用5-折交叉驗證，通過反復繪制學習曲線，不斷優化模型超參數，選擇對驗證集平均預測準確率最高的模型。采用K-近鄰、隨機森林、Logistic回歸、高斯核函數支持向量機這4種經典的機器學習算法，分別針對傳導阻滯、心肌梗死、ST-改變和心肌肥厚進行二分類預測；通過對比測試集的模型預測準確率、召回率和精準率，評價模型的優劣。不同算法針對測試集的預測準確率、召回率和精準率分別如圖9—圖11所示。針對傳導阻滯、心肌梗死、ST-T改變、心肌肥厚這4類心電圖，支持向量機算法預測的準確率分別為84.8%、81.3%、82.0%和88.1%；召回率分別為55.0%、52.6%、62.9%和39.1%；精準率分別為69.8%、65.3%、64.1%和49.6%。支持向量機算法預測的準確率、召回率明顯高于其他3種算法；其精準率與K-近鄰算法相當，均明顯高于其他兩種算法。綜合來看，以預測準確率、召回率及精準率來評估模型優劣，支持向量機對上述4種常見心電圖分類的預測表現總體上優于其他3種算法。

圖10 4種算法的召回率對比

圖11 4種算法的精準率對比

為了進一步評價模型優度，選取不同的判定閾值，得到不同的假陽性率(false positive rate，FPR)、真陽性率(true positive rate，TPR)，再以FPR為x軸、TPR為y軸，繪制不同算法針對不同心電圖診斷的工作者特征(receiver operating characteristic，ROC)曲線，并計算曲線下面積(area under curve， AUC)。由FPR和TPR的定義可知，曲線越靠近左上，AUC值越大，模型預測效果越好[19]。上述4種算法針對不同心電圖分類的ROC曲線對比如圖12—圖15所示。由圖12—圖15可見，支持向量機算法的ROC曲線在4種心電圖類別上均最靠近左上角，且AUC值均高于其他3種算法，因此，支持向量機算法在ROC曲線評價指標上優于其他3種算法。

圖12 4種算法針對傳導阻滯的ROC曲線對比

圖13 4種算法針對心肌梗死的ROC曲線對比

圖14 4種算法針對ST-T改變的ROC曲線對比

圖15 4種算法針對心肌肥厚的ROC曲線對比

綜合預測準確率、召回率、精準率，以及ROC曲線模型評價指標來看，支持向量機在模型預測中的表現優于其他3種算法。需要注意的是，盡管支持向量機算法的預測準確率較高，但召回率、精準率尚達不到臨床應用的要求，導致模型預測敏感性低、錯判風險高，有待通過進一步研究改進模型，提升模型的預測表現，從而更好地服務于臨床。

3 討論

本研究利用PTB-XL公共心電數據庫的21 837條心電圖記錄，進行4種常見機器學習分類算法的心電圖診斷對比研究。首先，對心電信號進行缺失值刪除、裁剪、去基線等預處理；然后，通過PCA降維提取特征，針對傳導阻滯、心肌梗死、ST-T改變、心肌肥厚這4類心電圖，分別采用K-近鄰算法、隨機森林、Logistic回歸和支持向量機算法進行二分類預測算法研究。具體步驟如下：先通過PTB-XL數據庫推薦的方法劃分訓練集、測試集，選擇5-折交叉驗證方法，運用上述4種分類算法，利用訓練集數據訓練模型并不斷優化模型參數，再用測試集來進行模型優度評價。研究結果表明：綜合預測準確率、召回率、精準率，以及ROC曲線模型評價指標來看，支持向量機在模型預測中的表現優于其他3種算法。

但是，本研究仍然存在局限性。雖然支持向量機算法在上述4種常見心電圖分類診斷中有較高的準確率，但因召回率不高導致診斷敏感性較低，因精準率不高造成錯判風險較大，因此，該算法尚不能直接應用于臨床診斷。鑒于此，我們需要預測精度更高的模型。在下一步研究中，可通過以下3種方法提升模型的預測表現，① 擴大樣本量：目前，中國各大醫院逐步實現了心電圖等醫療信息的電子化，心電圖獲取成本降低，使獲得海量心電圖成為可能。利用海量心電圖訓練模型可避免過擬合，從而得到魯棒性及泛化性能更佳的預測模型。② 改進數據預處理方式：心電信號的預處理直接影響到模型的預測表現，也是極為重要的環節。研究表明，小波變換在心電圖預處理中有極其重要的地位，其可以有效濾過基線漂移、工頻干擾、肌電干擾等噪聲，顯著提升模型的預測表現。③ 深度學習算法：在圖像識別領域，深度學習算法往往優于傳統的機器學習算法。近年來，深度學習運用于心電圖診斷的研究越來越多。卷積神經網絡(convolutional neural network，CNN)是深度學習的一種經典算法。CNN采用不同的卷積核提取不同心電圖的特征，通過池化層下采樣降低特征維度，并可以通過加大卷積層的深度來提取深層次特征，再將池化層降維后的特征接入全連接層，最終通過Softmax層輸出二分類結果的概率分布。CNN有平移不變性等優良特性，能夠直接處理原始信號，其魯棒性、泛化性能更好。