计算机辅助诊断模型助力基层医疗机构诊断阵发性心房颤动

姚易，廖晓阳*，李志超

据世界卫生组织（WHO）及多所著名大学建立的全球疾病负担数据库分析，全球心房颤动（以下简称房颤）患者高达3 350万，占世界人口的0.5%［1］。房颤作为21世纪最具挑战性的心血管疾病之一，可导致脑卒中、心源性猝死等严重并发症［2］。随着我国人口老龄化越来越严重，房颤患者数量逐年攀升，成为名副其实的房颤大国［3-4］。房颤具有阵发性、无症状性的特点［5］，传统的12导联心电图不能有效识别阵发性房颤。然而，阵发性房颤与持续性房颤具有相同的卒中风险，早期诊断及干预可显著降低卒中发生率［2，6］。因此阵发性房颤的早期筛查极其重要。

临床上，24 h动态心电图被视为诊断阵发性房颤的金标准，但由于有时间局限性，常出现漏诊，从而促使多种长程筛查设备不断出现，例如：便携式可穿戴设备、手持单导联心电图记录仪、智能手机、智能手表、血压计等，这些设备可提高阵发性房颤的检出率［2，7］。然而，长程设备获得的心电大数据既加重了医生负担，也是临床工作的难题，该情况在基层医疗机构中表现得尤为突出。一方面全科医生无法准确地通过心电图诊断房颤［8］；另一方面心电大数据信息量大，解读费时。因此，在基层医疗机构诊断阵发性房颤难上加难。为了给医生提供有效的辅助诊断信息，人工智能技术变得越来越重要。

近年来人工智能技术飞速发展，在医疗大数据挖掘上表现卓越，促进了计算机辅助诊断模型的发展。经典诊断模型的建立包括信号预处理、特征提取、分类3个过程，特征提取是模型构建的核心。传统的浅层机器学习模型高度依赖人工提取特征，难以满足复杂的实际临床需要。研究表明，诊断常见心律失常时，现有的多种浅层诊断模型相比于全科医生有更高的准确性，但错误率仍旧很高，不能据此进行临床诊断和治疗［8］。尤其在房颤诊断方面，现有诊断模型并未显著提高诊断准确率，特别是在老年人群中出现错误诊断的可能性更大［9］。迫切需要构建深度学习模型来帮助基层全科医生诊断房颤。Lorenz散点图是一种新型非线性分析方法，为心电大数据的快速分析提供了新视角［10］，其输出的二维图形是深度学习的良好素材。本文综述房颤计算机辅助诊断模型的研究进展，为模型构建提供新思路，同时为基层医疗机构全科医生进行心电大数据判读提供参考。

1 心电特征的研究进展

1.1 基于心房波的心电特征 房颤计算机辅助诊断模型是根据心房波和RR间期构建而成的，心房波表现为 P波消失和 f波出现。ANDRIKOPOULOS等［11］对比分析了60例阵发性房颤和50例正常人的12导联心电图，提取心房波最大值、心房波离散度、心房波方差3个特征指标用于鉴别阵发性房颤和窦性心律，灵敏度＞80%、特异度＞70%。有研究者根据心房波特征提取心房波峰数目和心房波宽度2个指标，采用群体模糊推理系统（SFIS）构建计算机辅助诊断模型，经测试其诊断房颤的特异度、灵敏度和准确率分别是60.40%、77.89%、75.90%［12］。由于f波峰值低，容易受到基线漂移、运动伪影、工频和肌电干扰，使得基于心房波诊断模型的特异度和灵敏度低。优点在于其波形特征提取窗口窄，不需要长片段心电图构建模型，有利于阵发性房颤的检出。近年来随着可穿戴设备的广泛应用，在家庭环境中收集的心电信号存在噪声，这对基于心房波的诊断模型提出了挑战。仅基于心房波构建的辅助诊断模型较少，其性能也有待进一步的临床验证。

1.2 基于RR间期的心电特征 房颤表现为RR间期不规律。LOGAN等［13］对RR间期进行了分析，提取“RR间期方差”为特征指标，构建辅助诊断模型，其诊断房颤的灵敏度为96%，特异度为89%。基于RR间期的诊断模型不能很好地区分房颤和非房颤心律失常，且缺失了f波信息［14］。再者当房颤伴有房室传导阻滞、房室交界性心动过速时，其RR间期表现为规律性，此外房扑或多源性房性心动过速的RR间期可表现为无规律性，因此基于RR间期诊断模型的诊断性能受到严重的影响［15］。另一方面RR间期特征提取窗口宽，需要50～500个心搏，难免漏诊发作时间短的阵发性房颤。

1.3 基于心房波和RR间期联合心电特征 有研究者提出构建联合心房波和RR间期特征的计算机辅助诊断模型。DU等［14］将6 s心电图片段的“TQ间期的平均f波数量（NfTQ）”“RR间期最大差值（RRImax）”和“RR间期标准差（RRIstd）”3个指标结合起来用于房颤的诊断，以指标大小为分类标准，获得了90%以上的准确率和灵敏度。JIANG等［15］通过ΔRR间隔分布差异曲线（dRDDC）找出窦性心律和房颤的过渡区，再联合f波和RR间期特征构建模型，该模型诊断房颤的灵敏度、特异度分别是98.2%、97.5%。由此可见，联合心房波和RR间期特征的模型诊断房颤的价值略优于仅基于RR间期的模型。但是联合诊断模型的性能取决于峰值检测，长程心电图容易受到日常活动的干扰出现大量的高峰干扰波，严重影响其性能。再者结合两类特征的模型没有明显提升房颤的诊断性能，同时增加算法的复杂性，因此在临床中的应用并不广泛。

1.4 基于非线性的心电特征 部分研究者跳出以上思维，提出非线性特征的计算机辅助诊断模型。KUMAR等［16］根据弹性分析小波变换（FAWT）获取的子带信号，据此计算对数能量熵（LEE）和置换熵（Pen），使用随机森林法进行分类发现，基于LEE特征的模型表现出更好的性能，其准确率、灵敏度和特异度分别为96.8%、95.8%和97.6%。这类基于非线性特征的模型能区分窦性心律和房颤之间的微小差异，同时不依赖f波和R波的检测。这一方面的研究相对较少，是未来研究的方向。

1.5 基于心电散点图的心电特征

1.5.1 Lorenz散点图 Lorenz散点图又称为Poincaré散点图、心电散点图，在平面直角坐标系中通过（RRn-1，RRn）确定一点，迭代运算制作而成。Lorenz散点图是近年心电领域的研究热点，作为一种混沌理论的非线性分析方法［17］，与线性分析方法有所不同。同一性质的心博聚集在一起形成一个特征的图形，可用于各类心律失常的诊断及鉴别诊断。ESPERER等［18］研究表明Lorenz散点图中的扇形图形提示房颤的存在；窦性心律的散点图形状表现为彗星状。阵发性房颤的散点图既有窦性心律图形又有房颤的图形，表现为两种图形完全分离、部分分离、完全重叠3种形式［19］。当房颤伴有其他心律失常时，其Lorenz散点图的图形特征表现为扇形与其他图形共存。由此可见，Lorenz散点图不依赖心电波形的检测，同时对房颤伴有其他复杂心律失常的诊断及鉴别诊断更优。另一方面，Lorenz散点图作为非线性分析方法，从宏观层面分析心电大数据，有利于大数据的快速分析。随着散点图技术的发展，广义的心电散点图包括差值散点图、RDR散点图、三维散点图等，由于观察切面的变化以及维度的增加，可为临床医生提供更多更详细的房颤心电特征。

1.5.2 基于Lorenz散点图的心电特征 临床工作中，主要是通过人工阅读Lorenz散点图进行心律失常的诊断。人工阅读容易受主观经验的影响、同时消耗大量的时间［20］。以上原因促进多种基于Lorenz散点图的辅助诊断模型出现，这些模型主要通过提取散点图图形特征，使用机器学习中的各类分类器构建而成。

RUAN等［21］在房颤扇形图形的基础上，提取“诊断线上图形长度（SD1）”“垂直于诊断线上图形宽度（SD2）”“角矢量指数（VAI）”“长度矢量指数（VLI）”4个指标，房颤患者的4个指标比正常心电图的值更大，两者存在差异。将4个指标结合起来更利于房颤的诊断，其灵敏度和特异度均高达100%。WANG等［20］也提取了SD1、SD2、VAI、VLI图形指标构建模型，通过MIT-BIH数据库进行验证发现其诊断房颤准确率达90%以上。也有研究者通过对房颤Lorenz散点图形状进行分析，提取“簇数量”“诊断线上点离散度”“节律间期平均步进增量”3个指标；通过k均值聚类法、支持向量机两个分类器来区分房颤节律和非房颤节律，结果表明该模型的平均灵敏度和平均特异度分别为91.4%和92.9%［22］。根据房颤的Lorenz散点图提取出4个几何特征指标（PCA向量和对角线之间的角度、散射角、平行于对角线的两条线之间的点比值、长度比），7个RR间期数量指标（分别是RR间期平均值、RR间期标准差、变化系数、RR间隔的偏度、RR间隔峰度、RR差值平均值、RR差值标准差）；使用顺序正向搜索算法（SFS）进行特征指标的选择，通过模糊支持向量机（FSVM）判断终止性房颤与非终止性房颤；该模型不仅可以100%的将测试集以及训练集的房颤正确分类，还可以将92.3%的非终止房颤和终止房颤准确分类［23］。有研究者提出Lorenz散点图不同区域点的频率分布和复杂相关度量（CCM）两个指标，将两者输入神经网络，所构建的诊断模型准确率高达94%［24］。LOWN等［25］在Lorenz散点图的基础上，提出包含60个RR间期的差值散点图，根据差值散点图的特征，经支持向量机构建房颤计算机辅助诊断模型，该模型在训练集的灵敏度为99.2%，特异度为99.5%；在测试集的灵敏度为100.0%，特异度为97.6%。但上述模型所用的数据来自国际标准心电数据库，来源单一，泛化能力受到限制，这些模型在真实世界中的诊断性能仍需进一步验证。

2 机器学习在房颤诊断中的应用进展

2.1 基于浅层机器学习的辅助诊断模型 机器学习可分为传统的浅层机器学习和深度学习。浅层机器学习算法包括随机森林、支持向量机、LASSO回归、决策树、朴素贝叶斯、K均值聚类等。上述文章提到的多种计算机辅助诊断模型是通过传统浅层学习方法构建而成，此类模型需要人工提取特征指标，人工提取过程容易受到主观影响，同时无法利用高维特征所提供的有效信息，限制了其在心电大数据的推广和应用。

2.2 基于深度学习辅助诊断模型 深度学习是机器学习中的一个新兴分支，近几年在图形识别上快速发展。深度学习擅长图像识别与学习，在医学影像学研究最多［26］，也逐渐应用于心电学、人脸识别、糖尿病视网膜病变等领域。2019年柳叶刀上发表了一篇基于深度学习构建房颤诊断模型的文章，文章提出深度学习可以识别到人眼不能观察到的心电信号［27］，这有利于阵发性房颤、房颤伴其他复杂心律失常的诊断。Lorenz散点图输出的二维图形正好是深度学习的良好素材，将两者结合起来可构建一种新的计算机辅助诊断模型。

XIA等［28］通过“短期傅立叶变换”和“平稳小波变换”将一维心电图转化为二维信号，再将二维信号输入卷积神经网络构建计算机辅助诊断模型，使用“短期傅立叶变换”深度学习模型的灵敏度、特异度、准确率分别是98.34%、98.24%、98.29%；使用“平稳小波变换”模型的灵敏度、特异度、准确率分别是98.79%、97.87%、98.63%。CAI等［29］采用一维深层密集连接神经网络（DDNN）检测12导联心电图波形中的房颤，在测试数据集中得到的准确度、灵敏度、特异度分别为99.35%、99.19%、99.44%。然而，上述研究不是基于Lorenz散点图构建的深度学习辅助诊断模型，却为房颤的辅助诊断提供了新思路。KISOHARA等［30］使用深度学习中的卷积神经网络学习Lorenz散点图，构建计算机辅助诊断模型，通过房颤、窦性心律数据库进行训练和测试，结果表明该模型诊断房颤的灵敏度是100%，特异度是100%。但该研究没有考虑到阵发性房颤的识别，且仅使用了慢性房颤和纯窦性心律训练和测试模型，在真实世界中的诊断性能还需进一步的评价。

3 辅助诊断模型应用现状及不足

近年提出了很多计算机辅助诊断模型。其中，由于R波峰值高，受到噪声干扰较小，基于RR间期的诊断模型目前研究和应用的最多。但很少有人对各类模型做进一步的实证研究，大部分模型所用的训练集和测试集数据来源单一，在临床应用中的准确性不高，泛化能力弱［31］。目前基层医疗机构所用的12导联心电图普遍带有辅助诊断功能，因为准确率低，得出的结论不可靠，基层医疗机构全科医生常不参考其自动诊断结果。因此迫切需要构建泛化能力强、准确性高、适用于基层医疗机构的辅助诊断模型。基层医疗机构强调的是对房颤的快速筛查和诊断，这与三级医院的重心不同。目前构建的众多模型很少使用真实世界的心电数据，限制了其在基层医疗机构的应用。研究表明基层医疗机构全科医生结合计算机辅助诊断模型能提高房颤诊断的准确性，但对于房颤筛查还不够，仍需加强基层医务人员心电知识培训［8］。也有研究表明辅助诊断模型在自动诊断结果是正确的情况下，提高了医生诊断正确率，当在自动诊断不正确时，却增加了医生出错的概率［32］。培训作为提高房颤诊断准确性的“慢方案”，无法解决基层医疗机构面临的“急问题”，因此构建性能良好的计算机辅助诊断模型显得尤为重要。

4 总结及展望

基于心电特征的计算机辅助诊断模型可以辅助全科医生快速做出心电图诊断。然而，由于传统浅层学习的固有缺陷，在临床应用中存在准确性低、泛化能力弱等问题，导致其实际诊断准确性不高。深度学习作为人工智能新兴技术，在图像识别、高维数据及非线性特征处理等方面具有显著优势。有效弥补了浅层机器学习的不足。通过心电散点图将心电图波形图转化为二维图形，为深度学习的模型构建提供优质素材，两者的有机结合是否会产生性能更佳的模型值得进一步研究。

结合目前房颤计算机辅助诊断模型的研究进展和局限性分析，笔者认为未来的研究可能从以下方面进行。（1）单纯性阵发性房颤由于发作时程短导致散点图的图形特征不明显，增加诊断难度，也可尝试通过深度学习解决阵发性房颤诊断中存在的问题。同时进一步挖掘单纯性阵发性房颤散点图特征，例如：从三维散点图得到更多的阵发性房颤的心电特征。（2）阵发性房颤伴多种类型复杂性心律失常时，其散点图特征复杂，人工难以辨别，可以基于深度学习的方法进行诊断及鉴别诊断。（3）现有的各类诊断模型多是通过一类标准数据库（MIT-BIH房颤数据库等）进行训练或测试，很少在临床中进行实证研究，因此需要真实世界的多源多中心的数据进行模型构建，同时在真实世界进行实证研究。总之，深度学习必将成为未来医学图像识别的主流，将越来越多的应用在各大领域。

本文文献检索策略：

本综述在确定阵发性心房颤动计算机辅助诊断模型的主题后，以“阵发性心房颤动”“计算机辅助诊断”“模型”“Poincaré散点图”“基层医疗机构”等为关键词，充分检索中国知网、万方数据知识服务平台、维普网、PubMed、Web of science等国内外数据库。不限制时间，弄清阵发性心房颤动计算机辅助诊断模型的起源以及发展历程，进一步分析不同模型的优势与缺陷。再限定近3～5年时间，了解国内外研究进展及创新内容。

作者贡献:姚易、廖晓阳、李志超进行文章结构的构建；廖晓阳、李志超进行文章的科学性分析、论文的修订，负责文章的质量控制及审校；姚易进行文献资料收集和整理并撰写论文；廖晓阳对文章整体负责。

本文无利益冲突。