基于深度學習的心電圖自動診斷在多系統疾病中的研究進展

張希鈴 王新康

福建醫科大學省立臨床醫學院，福建福州 350001

近年來，深度學習在圖像識別領域展現出性能優勢，其在心電領域上的應用發展迅速。基于深度學習模型（deep learning model，DLM）的心電圖已經實現對多種心血管疾病（cardiovascular disease，CVD）的分類、診斷、篩查或預測。考慮DLM 展現出的可靠性及捕捉人體亞健康狀態的潛在能力，臨床推測其在電解質、貧血、糖尿病、膿毒血癥等其他系統疾病的監測中同樣具有良好效能。單導數據構建的DLM 性能穩定，可將其與穿戴式設備結合，這提示疾病的篩查、監測方法出現了新的可能，心電數據也更易于收集且更加具有多樣性，為后續研究提供了良好條件。本文旨在概括基于DLM 的心電圖在CVD 和其他系統疾病上的應用進展，并對當前研究趨勢進行分析，提出未來展望。

1 DLM 概況

DLM 是在神經網絡的基礎上疊加隱層層數的一種學習網絡，卷積神經網絡（convolutional neural network，CNN）是目前在醫學上常用的深度學習架構，其本質上是一個不斷進行分層級特征提取的過程，可以獲得圖像中超出人眼識別能力的多描述特征，受外界干擾因素小，識別準確率高且穩定[1]。

[通訊作者]常構建DLM 需要將數據分為3 個子集，即訓練集構成模型，測試集提升準確率，驗證集對該模型效能做出評價。受試者操作特征曲線下面積（area under the curve，AUC）可作為其評價指標，值域為0～1，AUC 越高代表模型的分類性能越優異。

2 DLM 在多系統疾病中的應用進展

2.1 CVD

近年來，有關DLM 對CVD 的研究主要為繼續完善模型性能、致力于將新技術與穿戴式設備結合，把對CVD 的健康監測融入生活中。

2.1.1 心 律失常 2017 年，Hannun等[2]利用Zio 貼片（FDA 認證設備，模擬Ⅱ導聯）記錄的53 549 例患者的單導聯心電數據開發了一個能將多種心律失常分類的DLM，可識別心房顫動、心房撲動、房室傳導阻滯等12 種心律失常及竇性心律、噪音，共14 種類型，在敏感度及精確度上都超過了CVD 專家，但該模型在檢測心室撲動、心室顫動、需多導聯合診斷的心律失常及心室肥厚、心肌梗死等不一定會導致心律失常的心血管疾病上仍有欠缺。2018 年，Yildirim等[3]使用45 例患者的3 600 條心電數據構建了通過單導聯（Ⅱ）心電數據可識別17 種心律失常的DLM，準確率高，每個樣本的分類時間短，算法簡便，可實現在穿戴式設備上使用。2020 年，Ribeiro等[4]完善了DLM 在12導聯心電數據上的應用，以811 個國家的1 676 384 例患者的心電數據構建DLM，可以識別出6 種心律失常，保證至少與住院醫師或醫學生診斷能力一致，對欠發達地區的醫療保健有較大益處，但其性能、算法仍待進一步提高、簡化。

2.1.2 肥厚型心肌病（hypertrophic cardiomyopathy，HCM）2020 年，Ko等[5]以2 448 例HCM 及51 153 例非HCM 患者的12 導聯心電數據作為訓練集開發了檢測HCM 的DLM，取概率閾值為11%時，該模型AUC 為0.96（95%CI：0.95～0.96），模型可信度較強，靈敏度、特異度較高。進一步的亞組分析提示，該模型在年輕患者（18～40 歲）檢測中展現顯著優勢，優勢比為195（95%CI：84.3～451.2），在對心電圖表現正常患者的監測中亦展現出較好的性能。該模型足以用于對HCM 的篩查，且在隱匿性HCM 的篩查上展現了潛力。2021 年，Siontis等[6]進行了利用Ko等[5]的模型在青少年（≤18 歲）HCM 患者中的篩查計劃，結果表明，該模型對青少年患者同樣適用，AUC為0.98（95%CI：0.98～0.99），在15～18 歲年齡組中效果最佳。該研究同樣證實，DLM 診斷HCM 是通過患者的心電圖表型，而非基因型，在這方面需要進一步探索。

2.1.3 心肌梗死 2002—2018 年急性心肌梗死（acute myocardial infarction，AMI）死亡率總體呈上升態勢，從2005 年開始，AMI 死亡率呈快速上升趨勢[7]。標準12導聯心電圖診斷AMI 的靈敏度在50%～60%[8]，只有＜25%的急性冠脈綜合征患者出現ST 段抬高型心肌梗死并立即接受治療。對另外75%非ST 段抬高型心肌梗死或不穩定型心絞痛患者，連續的ST 段監測對早期識別短暫性心肌缺血和預防不良臨床事件至關重要[9]。2018 年，Xiao等[10]開發了一種檢測ST 段改變情況的DLM，可有效排除干擾，提高了對ST 段改變診斷的靈敏度和特異度，可以輔助臨床醫師進行診斷，從而提高對AMI 診斷的靈敏度。2020 年，Cho等[11]利用292 212 例患者的數據開發了基于肢體導聯和12 導聯心電數據對AMI 進行檢測的DLM，其中肢體導聯通過變分自編碼器重建6 個胸導聯心電數據合并后進行檢測，結果表明，基于12 導聯數據的DLM對AMI 檢測效果更好，但通過肢體導聯及重建數據對AMI 檢測的DLM 能力可優于傳統診斷法，該研究也提示模型檢測時主要集中于ST 段，部分集中于QRS波和T波，這為實現穿戴式設備篩查AMI 帶來了可能，后續可以進一步提高模型性能，延伸至對18 導聯心電數據重建后DLM 的檢驗。

2.1.4 隱匿性CVD 2019 年，Attia等[12]以625 326 例患者的12 導聯心電數據與超聲心動圖結果構建了一種篩查無癥狀左心室收縮功能障礙（asymptomatic left ventricular systolic dysfunction，ALVSD）的DLM，AUC 為0.93，優于其他常見篩查方法，并且該研究發現，被該模型診斷為假陽性的患者在未來5 年內發生心室功能障礙的風險增加了4 倍。該研究提示，DLM 不僅在篩查隱匿性疾病上有著良好性能，可能還能夠檢測人體亞健康狀態，在預測疾病發生中也能發揮良好的作用。Yao等[13]后續對該DLM 行前瞻性評估，將181名運用DLM 作為輔助診斷方法的臨床醫師的診斷結果與177 名運用傳統診斷方法的臨床醫師進行比較，表明DLM 提高了臨床醫師對ALVSD 的診斷率，同時亦不會增加整體醫療負擔。

既往研究表明，心房顫動患者可能存在著易導致房性心律失常的心房結構異常[14]。Attia等[15]利用180 922 例患者心電數據構建的DLM 可識別正常竇性心律下可能存在心房結構異常患者的12 導聯10 s的心電數據，適用性良好，與48 h 動態心電圖及植入式記錄器比較，其在時間上有明顯的優勢，但與傳統檢查方法檢出率的比較仍有待進一步研究。Jo等[16]使用12 955 例患者的單導、肢體導聯（Ⅰ、Ⅱ、Ⅲ、aVL、aVR、aVF）、胸導聯（V1～V6）、12 導聯心電數據構建DLM 識別竇性心律期間潛在的房室結折返性心動過速和房室折返性心動過速，4 個模型適用性皆良好，該模型側重以QT 間期作為預測標準。這些研究展現了人工智能具有比臨床醫師更強的特征提取能力，減少了隱匿性CVD 的漏診率。目前，基于單導聯心電數據開發的DLM 表現都較為穩定，為其在便攜式設備上的應用奠定了基礎。DLM 還能實現對“心臟年齡”的估計[17]，心臟年齡與實際年齡差異較大者可能合并更多并發癥與異常的心電節律[18]。

2.2 電解質紊亂

電解質紊亂是臨床常見的情況，在急診及重癥監護病房（intensive care unit，ICU）中尤為常見，其癥狀常不明顯但可導致臟器功能失調、心血管急癥等惡性后果。電解質紊亂可在心電圖上有特異性表現，但由于大部分改變難以識別，目前臨床醫師人工判讀的靈敏度仍具有很大的提升空間。2019 年，Galloway等[19]開發了通過心電圖檢測高鉀血癥的DLM，利用449 380 例患者的2 個導聯（Ⅰ和Ⅱ）和4 個導聯（Ⅰ、Ⅱ、V3 和V5）的心電數據構建了CNN。2 個導聯的AUC 為0.853～0.883，4 個導聯的AUC 為0.880～0.901，該模型對高鉀血癥心電圖診斷的靈敏度顯著高于人工判讀，其假陰性率低，靈敏度達90%時，特異度為55.0%～63.2%，可作為高鉀血癥良好的篩查工具。Lin等[20]以40 180 例患者的心電數據開發了檢測低鉀血癥及高鉀血癥的DLM，并與CVD 及急診專家們進行了一場“人機對戰”，結果表明，人工智能判讀能力顯著高于人工。另一項來自Kwon等[21]的研究以92 140 例患者的12 導聯心電數據開發了檢測血液中多種電解質（鉀、鈉、鈣）情況的DLM，結果提示，該模型性能較好（AUC 為0.866～0.945），但其內外部檢驗結果相差較大，性能有待進一步完善。在此基礎上，Lin等[22]以39 例甲狀腺毒性周期性麻痹患者及502 例低鉀血癥患者的心電數據作為訓練集，開發出篩查甲狀腺毒性周期性麻痹的DLM，該模型平均絕對誤差為0.26 mEq/L，AUC 接近0.8。以上研究表明DLM 在根據心電圖診斷電解質紊亂中具有良好適用性，為實現對電解質的無創性監測及預測創造了可能。

2.3 貧血

貧血作為最常見的血液系統疾病，全球有超過20 億患者受其影響。貧血病常為隱匿性，重度貧血患者休克風險大。既往研究表明，重度貧血患者可能導致貧血性心肌病，出現QRS 振幅降低、QT 間期延長、T 波倒置等心電圖改變，及時采取措施糾正貧血可改善心血管循環，避免出現心肌損傷[23-25]。2020 年，Kwon等[23]首次以45 250 例患者單導（Ⅰ）、肢體導聯及12 導聯的心電數據構建3 個篩查血紅蛋白≤10 g/dl 患者的DLM 并評價其效果，結果顯示12 導聯DLM 在內外部檢驗中均展現了較好的性能，AUC為0.901～0.923；單導和肢體導聯DLM 的性能較弱，AUC 為0.841～0.890。進一步利用內、外部驗證數據與年齡、性別、體重指數、心率、是否存在心房顫動和心房撲動進行多因素logistic 回歸后，發現12 導聯DLM 預測值與貧血結果顯著相關，風險比為127.11，（95%CI：73.84～219.94，P ＜0.000 1），提示心電圖有機會成為貧血患者的無創性篩查方法，并可將其與穿戴式設備結合，從而使貧血患者及時得到診療。

2.4 糖尿病

糖尿病是當今社會的一個值得關注的公共衛生問題，其是許多疾病的誘因或病因，如視網膜病變、慢性腎臟疾病、CVD 等。據國際糖尿病聯盟調查顯示，2017 年全球有4.51 億（18～99 歲）糖尿病患者，2045年預計增加到6.93 億。據估計，49.7%的糖尿病患者未得到診斷[26]。糖尿病診斷的金標準為有創性血清學檢驗，且受諸多條件限制。既往研究表明，大部分糖尿病患者心電圖可出現異常改變，且心電圖改變程度與發生心血管事件風險相關[27-28]。2021 年，Lin等[29]采用57 185 例患者心電數據構建的DLM 來檢測患者的心電圖變化，同時監測糖化血紅蛋白，研究結果表明，該DLM 的AUC 為0.825 5，其預測值與死亡率、新發慢性腎臟疾病、新發心力衰竭的風險比分別為1.53（95%CI：1.08～2.17）、1.56（95%CI：1.30～1.87）、1.51（95%CI：1.13～2.01），且結果提示該模型更容易發現并發癥較少的糖尿病患者，該研究證明DLM 可通過心電圖對糖尿病患者進行篩查，有機會及時發現糖尿病、減少其并發癥發生、提高患者生存質量及預后。

2.5 膿毒血癥

膿毒血癥是ICU 患者發生死亡的首要原因，全世界每年有超過3 000 萬例確診，死亡率高達30%。研究表明，在膿毒血癥早期若控制不當，則會引起細胞因子風暴，晚期則表現為免疫抑制狀態，治療費用昂貴，早發現、早治療成為重點[30]。既往研究中，50%被診斷為膿毒血癥的患者有心功能障礙的跡象，可伴有QRS 波延長、振幅降低等表現，但由于這些改變的特異度不高（如振幅降低亦可見于肥胖人群），目前有關心電圖與膿毒血癥相關性的研究甚少。2020 年，Kwon等[31]首次利用46 017 例患者的單導（Ⅰ）、肢體導聯及12 導聯的心電數據構建DLM，其AUC 為0.863～0.901，提示QT 間期和T 波與膿毒血癥有關，該研究揭開了DLM 在膿毒血癥無創性篩查及監測的序幕，借人工智能進一步探索了膿毒血癥患者心電圖波形改變的特點，為今后研究指明了方向。

2.6 其他

目前也研究表明，DLM 對地高辛中毒的篩查能力并不亞于人工判讀[32]，DLM 也可以實現對低蛋白血癥的篩查[33]等。

3 小結與展望

基于DLM 的心電圖波形分析在多系統疾病中的應用提示其具有多種可能性。DLM 使心電圖這種無創、價格適宜、耗時短的檢查方法在健康篩查中可發揮更大的價值，能為患者取得切實的利益。DLM 提高了人或機器對心電圖形的特征提取能力及抗干擾能力，打破了臨床醫師目前對一些隱匿性疾病難以診斷的局面，或許將來深度學習能在ICU 或急診此類需要常規心電監護的科室發揮關鍵作用。

DLM 給臨床帶來巨大驚喜的背后同樣也存在著一些問題，如DLM 的診斷過程及標準仍是不透明的，現有的研究結果可以有指向性地引導研究者探索可視化DLM 的診斷依據，并且深入研究依據與相關疾病的關系[34]。從實際出發，DLM 難以做到靈敏度與特異度兼得，應該根據場景特點而有的放矢，如靈敏度高的模型用于對疾病的篩查，特異度高的模型用于對疾病的鑒別診斷。DLM 無法達到100%的準確度，最終都需要臨床醫師再次確定結果，考慮其對隱匿性疾病強大的探查能力，將其與便攜式設備結合是未來的大勢所趨，但這需要對DLM 進行更加精簡的轉換才能更加適配。許多研究都還停留在模型構建上，未將模型進一步應用于臨床，需要繼續深入研究，確定DLM 與其受益者之間的相關性及DLM 與傳統檢查方法之間檢出率是否存在統計學意義。