計算機輔助診斷模型助力基層醫療機構診斷陣發性心房顫動

姚易，廖曉陽*，李志超

據世界衛生組織（WHO）及多所著名大學建立的全球疾病負擔數據庫分析，全球心房顫動（以下簡稱房顫）患者高達3 350萬，占世界人口的0.5%［1］。房顫作為21世紀最具挑戰性的心血管疾病之一，可導致腦卒中、心源性猝死等嚴重并發癥［2］。隨著我國人口老齡化越來越嚴重，房顫患者數量逐年攀升，成為名副其實的房顫大國［3-4］。房顫具有陣發性、無癥狀性的特點［5］，傳統的12導聯心電圖不能有效識別陣發性房顫。然而，陣發性房顫與持續性房顫具有相同的卒中風險，早期診斷及干預可顯著降低卒中發生率［2，6］。因此陣發性房顫的早期篩查極其重要。

臨床上，24 h動態心電圖被視為診斷陣發性房顫的金標準，但由于有時間局限性，常出現漏診，從而促使多種長程篩查設備不斷出現，例如：便攜式可穿戴設備、手持單導聯心電圖記錄儀、智能手機、智能手表、血壓計等，這些設備可提高陣發性房顫的檢出率［2，7］。然而，長程設備獲得的心電大數據既加重了醫生負擔，也是臨床工作的難題，該情況在基層醫療機構中表現得尤為突出。一方面全科醫生無法準確地通過心電圖診斷房顫［8］；另一方面心電大數據信息量大，解讀費時。因此，在基層醫療機構診斷陣發性房顫難上加難。為了給醫生提供有效的輔助診斷信息，人工智能技術變得越來越重要。

近年來人工智能技術飛速發展，在醫療大數據挖掘上表現卓越，促進了計算機輔助診斷模型的發展。經典診斷模型的建立包括信號預處理、特征提取、分類3個過程，特征提取是模型構建的核心。傳統的淺層機器學習模型高度依賴人工提取特征，難以滿足復雜的實際臨床需要。研究表明，診斷常見心律失常時，現有的多種淺層診斷模型相比于全科醫生有更高的準確性，但錯誤率仍舊很高，不能據此進行臨床診斷和治療［8］。尤其在房顫診斷方面，現有診斷模型并未顯著提高診斷準確率，特別是在老年人群中出現錯誤診斷的可能性更大［9］。迫切需要構建深度學習模型來幫助基層全科醫生診斷房顫。Lorenz散點圖是一種新型非線性分析方法，為心電大數據的快速分析提供了新視角［10］，其輸出的二維圖形是深度學習的良好素材。本文綜述房顫計算機輔助診斷模型的研究進展，為模型構建提供新思路，同時為基層醫療機構全科醫生進行心電大數據判讀提供參考。

1 心電特征的研究進展

1.1 基于心房波的心電特征 房顫計算機輔助診斷模型是根據心房波和RR間期構建而成的，心房波表現為 P波消失和 f波出現。ANDRIKOPOULOS等［11］對比分析了60例陣發性房顫和50例正常人的12導聯心電圖，提取心房波最大值、心房波離散度、心房波方差3個特征指標用于鑒別陣發性房顫和竇性心律，靈敏度＞80%、特異度＞70%。有研究者根據心房波特征提取心房波峰數目和心房波寬度2個指標，采用群體模糊推理系統（SFIS）構建計算機輔助診斷模型，經測試其診斷房顫的特異度、靈敏度和準確率分別是60.40%、77.89%、75.90%［12］。由于f波峰值低，容易受到基線漂移、運動偽影、工頻和肌電干擾，使得基于心房波診斷模型的特異度和靈敏度低。優點在于其波形特征提取窗口窄，不需要長片段心電圖構建模型，有利于陣發性房顫的檢出。近年來隨著可穿戴設備的廣泛應用，在家庭環境中收集的心電信號存在噪聲，這對基于心房波的診斷模型提出了挑戰。僅基于心房波構建的輔助診斷模型較少，其性能也有待進一步的臨床驗證。

1.2 基于RR間期的心電特征 房顫表現為RR間期不規律。LOGAN等［13］對RR間期進行了分析，提取“RR間期方差”為特征指標，構建輔助診斷模型，其診斷房顫的靈敏度為96%，特異度為89%?；赗R間期的診斷模型不能很好地區分房顫和非房顫心律失常，且缺失了f波信息［14］。再者當房顫伴有房室傳導阻滯、房室交界性心動過速時，其RR間期表現為規律性，此外房撲或多源性房性心動過速的RR間期可表現為無規律性，因此基于RR間期診斷模型的診斷性能受到嚴重的影響［15］。另一方面RR間期特征提取窗口寬，需要50～500個心搏，難免漏診發作時間短的陣發性房顫。

1.3 基于心房波和RR間期聯合心電特征 有研究者提出構建聯合心房波和RR間期特征的計算機輔助診斷模型。DU等［14］將6 s心電圖片段的“TQ間期的平均f波數量（NfTQ）”“RR間期最大差值（RRImax）”和“RR間期標準差（RRIstd）”3個指標結合起來用于房顫的診斷，以指標大小為分類標準，獲得了90%以上的準確率和靈敏度。JIANG等［15］通過ΔRR間隔分布差異曲線（dRDDC）找出竇性心律和房顫的過渡區，再聯合f波和RR間期特征構建模型，該模型診斷房顫的靈敏度、特異度分別是98.2%、97.5%。由此可見，聯合心房波和RR間期特征的模型診斷房顫的價值略優于僅基于RR間期的模型。但是聯合診斷模型的性能取決于峰值檢測，長程心電圖容易受到日?；顒拥母蓴_出現大量的高峰干擾波，嚴重影響其性能。再者結合兩類特征的模型沒有明顯提升房顫的診斷性能，同時增加算法的復雜性，因此在臨床中的應用并不廣泛。

1.4 基于非線性的心電特征 部分研究者跳出以上思維，提出非線性特征的計算機輔助診斷模型。KUMAR等［16］根據彈性分析小波變換（FAWT）獲取的子帶信號，據此計算對數能量熵（LEE）和置換熵（Pen），使用隨機森林法進行分類發現，基于LEE特征的模型表現出更好的性能，其準確率、靈敏度和特異度分別為96.8%、95.8%和97.6%。這類基于非線性特征的模型能區分竇性心律和房顫之間的微小差異，同時不依賴f波和R波的檢測。這一方面的研究相對較少，是未來研究的方向。

1.5 基于心電散點圖的心電特征

1.5.1 Lorenz散點圖 Lorenz散點圖又稱為Poincaré散點圖、心電散點圖，在平面直角坐標系中通過（RRn-1，RRn）確定一點，迭代運算制作而成。Lorenz散點圖是近年心電領域的研究熱點，作為一種混沌理論的非線性分析方法［17］，與線性分析方法有所不同。同一性質的心博聚集在一起形成一個特征的圖形，可用于各類心律失常的診斷及鑒別診斷。ESPERER等［18］研究表明Lorenz散點圖中的扇形圖形提示房顫的存在；竇性心律的散點圖形狀表現為彗星狀。陣發性房顫的散點圖既有竇性心律圖形又有房顫的圖形，表現為兩種圖形完全分離、部分分離、完全重疊3種形式［19］。當房顫伴有其他心律失常時，其Lorenz散點圖的圖形特征表現為扇形與其他圖形共存。由此可見，Lorenz散點圖不依賴心電波形的檢測，同時對房顫伴有其他復雜心律失常的診斷及鑒別診斷更優。另一方面，Lorenz散點圖作為非線性分析方法，從宏觀層面分析心電大數據，有利于大數據的快速分析。隨著散點圖技術的發展，廣義的心電散點圖包括差值散點圖、RDR散點圖、三維散點圖等，由于觀察切面的變化以及維度的增加，可為臨床醫生提供更多更詳細的房顫心電特征。

1.5.2 基于Lorenz散點圖的心電特征 臨床工作中，主要是通過人工閱讀Lorenz散點圖進行心律失常的診斷。人工閱讀容易受主觀經驗的影響、同時消耗大量的時間［20］。以上原因促進多種基于Lorenz散點圖的輔助診斷模型出現，這些模型主要通過提取散點圖圖形特征，使用機器學習中的各類分類器構建而成。

RUAN等［21］在房顫扇形圖形的基礎上，提取“診斷線上圖形長度（SD1）”“垂直于診斷線上圖形寬度（SD2）”“角矢量指數（VAI）”“長度矢量指數（VLI）”4個指標，房顫患者的4個指標比正常心電圖的值更大，兩者存在差異。將4個指標結合起來更利于房顫的診斷，其靈敏度和特異度均高達100%。WANG等［20］也提取了SD1、SD2、VAI、VLI圖形指標構建模型，通過MIT-BIH數據庫進行驗證發現其診斷房顫準確率達90%以上。也有研究者通過對房顫Lorenz散點圖形狀進行分析，提取“簇數量”“診斷線上點離散度”“節律間期平均步進增量”3個指標；通過k均值聚類法、支持向量機兩個分類器來區分房顫節律和非房顫節律，結果表明該模型的平均靈敏度和平均特異度分別為91.4%和92.9%［22］。根據房顫的Lorenz散點圖提取出4個幾何特征指標（PCA向量和對角線之間的角度、散射角、平行于對角線的兩條線之間的點比值、長度比），7個RR間期數量指標（分別是RR間期平均值、RR間期標準差、變化系數、RR間隔的偏度、RR間隔峰度、RR差值平均值、RR差值標準差）；使用順序正向搜索算法（SFS）進行特征指標的選擇，通過模糊支持向量機（FSVM）判斷終止性房顫與非終止性房顫；該模型不僅可以100%的將測試集以及訓練集的房顫正確分類，還可以將92.3%的非終止房顫和終止房顫準確分類［23］。有研究者提出Lorenz散點圖不同區域點的頻率分布和復雜相關度量（CCM）兩個指標，將兩者輸入神經網絡，所構建的診斷模型準確率高達94%［24］。LOWN等［25］在Lorenz散點圖的基礎上，提出包含60個RR間期的差值散點圖，根據差值散點圖的特征，經支持向量機構建房顫計算機輔助診斷模型，該模型在訓練集的靈敏度為99.2%，特異度為99.5%；在測試集的靈敏度為100.0%，特異度為97.6%。但上述模型所用的數據來自國際標準心電數據庫，來源單一，泛化能力受到限制，這些模型在真實世界中的診斷性能仍需進一步驗證。

2 機器學習在房顫診斷中的應用進展

2.1 基于淺層機器學習的輔助診斷模型 機器學習可分為傳統的淺層機器學習和深度學習。淺層機器學習算法包括隨機森林、支持向量機、LASSO回歸、決策樹、樸素貝葉斯、K均值聚類等。上述文章提到的多種計算機輔助診斷模型是通過傳統淺層學習方法構建而成，此類模型需要人工提取特征指標，人工提取過程容易受到主觀影響，同時無法利用高維特征所提供的有效信息，限制了其在心電大數據的推廣和應用。

2.2 基于深度學習輔助診斷模型 深度學習是機器學習中的一個新興分支，近幾年在圖形識別上快速發展。深度學習擅長圖像識別與學習，在醫學影像學研究最多［26］，也逐漸應用于心電學、人臉識別、糖尿病視網膜病變等領域。2019年柳葉刀上發表了一篇基于深度學習構建房顫診斷模型的文章，文章提出深度學習可以識別到人眼不能觀察到的心電信號［27］，這有利于陣發性房顫、房顫伴其他復雜心律失常的診斷。Lorenz散點圖輸出的二維圖形正好是深度學習的良好素材，將兩者結合起來可構建一種新的計算機輔助診斷模型。

XIA等［28］通過“短期傅立葉變換”和“平穩小波變換”將一維心電圖轉化為二維信號，再將二維信號輸入卷積神經網絡構建計算機輔助診斷模型，使用“短期傅立葉變換”深度學習模型的靈敏度、特異度、準確率分別是98.34%、98.24%、98.29%；使用“平穩小波變換”模型的靈敏度、特異度、準確率分別是98.79%、97.87%、98.63%。CAI等［29］采用一維深層密集連接神經網絡（DDNN）檢測12導聯心電圖波形中的房顫，在測試數據集中得到的準確度、靈敏度、特異度分別為99.35%、99.19%、99.44%。然而，上述研究不是基于Lorenz散點圖構建的深度學習輔助診斷模型，卻為房顫的輔助診斷提供了新思路。KISOHARA等［30］使用深度學習中的卷積神經網絡學習Lorenz散點圖，構建計算機輔助診斷模型，通過房顫、竇性心律數據庫進行訓練和測試，結果表明該模型診斷房顫的靈敏度是100%，特異度是100%。但該研究沒有考慮到陣發性房顫的識別，且僅使用了慢性房顫和純竇性心律訓練和測試模型，在真實世界中的診斷性能還需進一步的評價。

3 輔助診斷模型應用現狀及不足

近年提出了很多計算機輔助診斷模型。其中，由于R波峰值高，受到噪聲干擾較小，基于RR間期的診斷模型目前研究和應用的最多。但很少有人對各類模型做進一步的實證研究，大部分模型所用的訓練集和測試集數據來源單一，在臨床應用中的準確性不高，泛化能力弱［31］。目前基層醫療機構所用的12導聯心電圖普遍帶有輔助診斷功能，因為準確率低，得出的結論不可靠，基層醫療機構全科醫生常不參考其自動診斷結果。因此迫切需要構建泛化能力強、準確性高、適用于基層醫療機構的輔助診斷模型。基層醫療機構強調的是對房顫的快速篩查和診斷，這與三級醫院的重心不同。目前構建的眾多模型很少使用真實世界的心電數據，限制了其在基層醫療機構的應用。研究表明基層醫療機構全科醫生結合計算機輔助診斷模型能提高房顫診斷的準確性，但對于房顫篩查還不夠，仍需加強基層醫務人員心電知識培訓［8］。也有研究表明輔助診斷模型在自動診斷結果是正確的情況下，提高了醫生診斷正確率，當在自動診斷不正確時，卻增加了醫生出錯的概率［32］。培訓作為提高房顫診斷準確性的“慢方案”，無法解決基層醫療機構面臨的“急問題”，因此構建性能良好的計算機輔助診斷模型顯得尤為重要。

4 總結及展望

基于心電特征的計算機輔助診斷模型可以輔助全科醫生快速做出心電圖診斷。然而，由于傳統淺層學習的固有缺陷，在臨床應用中存在準確性低、泛化能力弱等問題，導致其實際診斷準確性不高。深度學習作為人工智能新興技術，在圖像識別、高維數據及非線性特征處理等方面具有顯著優勢。有效彌補了淺層機器學習的不足。通過心電散點圖將心電圖波形圖轉化為二維圖形，為深度學習的模型構建提供優質素材，兩者的有機結合是否會產生性能更佳的模型值得進一步研究。

結合目前房顫計算機輔助診斷模型的研究進展和局限性分析，筆者認為未來的研究可能從以下方面進行。（1）單純性陣發性房顫由于發作時程短導致散點圖的圖形特征不明顯，增加診斷難度，也可嘗試通過深度學習解決陣發性房顫診斷中存在的問題。同時進一步挖掘單純性陣發性房顫散點圖特征，例如：從三維散點圖得到更多的陣發性房顫的心電特征。（2）陣發性房顫伴多種類型復雜性心律失常時，其散點圖特征復雜，人工難以辨別，可以基于深度學習的方法進行診斷及鑒別診斷。（3）現有的各類診斷模型多是通過一類標準數據庫（MIT-BIH房顫數據庫等）進行訓練或測試，很少在臨床中進行實證研究，因此需要真實世界的多源多中心的數據進行模型構建，同時在真實世界進行實證研究?？傊?，深度學習必將成為未來醫學圖像識別的主流，將越來越多的應用在各大領域。

本文文獻檢索策略：

本綜述在確定陣發性心房顫動計算機輔助診斷模型的主題后，以“陣發性心房顫動”“計算機輔助診斷”“模型”“Poincaré散點圖”“基層醫療機構”等為關鍵詞，充分檢索中國知網、萬方數據知識服務平臺、維普網、PubMed、Web of science等國內外數據庫。不限制時間，弄清陣發性心房顫動計算機輔助診斷模型的起源以及發展歷程，進一步分析不同模型的優勢與缺陷。再限定近3～5年時間，了解國內外研究進展及創新內容。

作者貢獻:姚易、廖曉陽、李志超進行文章結構的構建；廖曉陽、李志超進行文章的科學性分析、論文的修訂，負責文章的質量控制及審校；姚易進行文獻資料收集和整理并撰寫論文；廖曉陽對文章整體負責。

本文無利益沖突。