基于深度学习的心电图自动诊断在多系统疾病中的研究进展

张希铃 王新康

福建医科大学省立临床医学院，福建福州 350001

近年来，深度学习在图像识别领域展现出性能优势，其在心电领域上的应用发展迅速。基于深度学习模型（deep learning model，DLM）的心电图已经实现对多种心血管疾病（cardiovascular disease，CVD）的分类、诊断、筛查或预测。考虑DLM 展现出的可靠性及捕捉人体亚健康状态的潜在能力，临床推测其在电解质、贫血、糖尿病、脓毒血症等其他系统疾病的监测中同样具有良好效能。单导数据构建的DLM 性能稳定，可将其与穿戴式设备结合，这提示疾病的筛查、监测方法出现了新的可能，心电数据也更易于收集且更加具有多样性，为后续研究提供了良好条件。本文旨在概括基于DLM 的心电图在CVD 和其他系统疾病上的应用进展，并对当前研究趋势进行分析，提出未来展望。

1 DLM 概况

DLM 是在神经网络的基础上叠加隐层层数的一种学习网络，卷积神经网络（convolutional neural network，CNN）是目前在医学上常用的深度学习架构，其本质上是一个不断进行分层级特征提取的过程，可以获得图像中超出人眼识别能力的多描述特征，受外界干扰因素小，识别准确率高且稳定[1]。

[通讯作者]常构建DLM 需要将数据分为3 个子集，即训练集构成模型，测试集提升准确率，验证集对该模型效能做出评价。受试者操作特征曲线下面积（area under the curve，AUC）可作为其评价指标，值域为0～1，AUC 越高代表模型的分类性能越优异。

2 DLM 在多系统疾病中的应用进展

2.1 CVD

近年来，有关DLM 对CVD 的研究主要为继续完善模型性能、致力于将新技术与穿戴式设备结合，把对CVD 的健康监测融入生活中。

2.1.1 心 律失常 2017 年，Hannun等[2]利用Zio 贴片（FDA 认证设备，模拟Ⅱ导联）记录的53 549 例患者的单导联心电数据开发了一个能将多种心律失常分类的DLM，可识别心房颤动、心房扑动、房室传导阻滞等12 种心律失常及窦性心律、噪音，共14 种类型，在敏感度及精确度上都超过了CVD 专家，但该模型在检测心室扑动、心室颤动、需多导联合诊断的心律失常及心室肥厚、心肌梗死等不一定会导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 条心电数据构建了通过单导联（Ⅱ）心电数据可识别17 种心律失常的DLM，准确率高，每个样本的分类时间短，算法简便，可实现在穿戴式设备上使用。2020 年，Ribeiro等[4]完善了DLM 在12导联心电数据上的应用，以811 个国家的1 676 384 例患者的心电数据构建DLM，可以识别出6 种心律失常，保证至少与住院医师或医学生诊断能力一致，对欠发达地区的医疗保健有较大益处，但其性能、算法仍待进一步提高、简化。

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 导联心电数据作为训练集开发了检测HCM 的DLM，取概率阈值为11%时，该模型AUC 为0.96（95%CI：0.95～0.96），模型可信度较强，灵敏度、特异度较高。进一步的亚组分析提示，该模型在年轻患者（18～40 岁）检测中展现显著优势，优势比为195（95%CI：84.3～451.2），在对心电图表现正常患者的监测中亦展现出较好的性能。该模型足以用于对HCM 的筛查，且在隐匿性HCM 的筛查上展现了潜力。2021 年，Siontis等[6]进行了利用Ko等[5]的模型在青少年（≤18 岁）HCM 患者中的筛查计划，结果表明，该模型对青少年患者同样适用，AUC为0.98（95%CI：0.98～0.99），在15～18 岁年龄组中效果最佳。该研究同样证实，DLM 诊断HCM 是通过患者的心电图表型，而非基因型，在这方面需要进一步探索。

2.1.3 心肌梗死 2002—2018 年急性心肌梗死（acute myocardial infarction，AMI）死亡率总体呈上升态势，从2005 年开始，AMI 死亡率呈快速上升趋势[7]。标准12导联心电图诊断AMI 的灵敏度在50%～60%[8]，只有＜25%的急性冠脉综合征患者出现ST 段抬高型心肌梗死并立即接受治疗。对另外75%非ST 段抬高型心肌梗死或不稳定型心绞痛患者，连续的ST 段监测对早期识别短暂性心肌缺血和预防不良临床事件至关重要[9]。2018 年，Xiao等[10]开发了一种检测ST 段改变情况的DLM，可有效排除干扰，提高了对ST 段改变诊断的灵敏度和特异度，可以辅助临床医师进行诊断，从而提高对AMI 诊断的灵敏度。2020 年，Cho等[11]利用292 212 例患者的数据开发了基于肢体导联和12 导联心电数据对AMI 进行检测的DLM，其中肢体导联通过变分自编码器重建6 个胸导联心电数据合并后进行检测，结果表明，基于12 导联数据的DLM对AMI 检测效果更好，但通过肢体导联及重建数据对AMI 检测的DLM 能力可优于传统诊断法，该研究也提示模型检测时主要集中于ST 段，部分集中于QRS波和T波，这为实现穿戴式设备筛查AMI 带来了可能，后续可以进一步提高模型性能，延伸至对18 导联心电数据重建后DLM 的检验。

2.1.4 隐匿性CVD 2019 年，Attia等[12]以625 326 例患者的12 导联心电数据与超声心动图结果构建了一种筛查无症状左心室收缩功能障碍（asymptomatic left ventricular systolic dysfunction，ALVSD）的DLM，AUC 为0.93，优于其他常见筛查方法，并且该研究发现，被该模型诊断为假阳性的患者在未来5 年内发生心室功能障碍的风险增加了4 倍。该研究提示，DLM 不仅在筛查隐匿性疾病上有着良好性能，可能还能够检测人体亚健康状态，在预测疾病发生中也能发挥良好的作用。Yao等[13]后续对该DLM 行前瞻性评估，将181名运用DLM 作为辅助诊断方法的临床医师的诊断结果与177 名运用传统诊断方法的临床医师进行比较，表明DLM 提高了临床医师对ALVSD 的诊断率，同时亦不会增加整体医疗负担。

既往研究表明，心房颤动患者可能存在着易导致房性心律失常的心房结构异常[14]。Attia等[15]利用180 922 例患者心电数据构建的DLM 可识别正常窦性心律下可能存在心房结构异常患者的12 导联10 s的心电数据，适用性良好，与48 h 动态心电图及植入式记录器比较，其在时间上有明显的优势，但与传统检查方法检出率的比较仍有待进一步研究。Jo等[16]使用12 955 例患者的单导、肢体导联（Ⅰ、Ⅱ、Ⅲ、aVL、aVR、aVF）、胸导联（V1～V6）、12 导联心电数据构建DLM 识别窦性心律期间潜在的房室结折返性心动过速和房室折返性心动过速，4 个模型适用性皆良好，该模型侧重以QT 间期作为预测标准。这些研究展现了人工智能具有比临床医师更强的特征提取能力，减少了隐匿性CVD 的漏诊率。目前，基于单导联心电数据开发的DLM 表现都较为稳定，为其在便携式设备上的应用奠定了基础。DLM 还能实现对“心脏年龄”的估计[17]，心脏年龄与实际年龄差异较大者可能合并更多并发症与异常的心电节律[18]。

2.2 电解质紊乱

电解质紊乱是临床常见的情况，在急诊及重症监护病房（intensive care unit，ICU）中尤为常见，其症状常不明显但可导致脏器功能失调、心血管急症等恶性后果。电解质紊乱可在心电图上有特异性表现，但由于大部分改变难以识别，目前临床医师人工判读的灵敏度仍具有很大的提升空间。2019 年，Galloway等[19]开发了通过心电图检测高钾血症的DLM，利用449 380 例患者的2 个导联（Ⅰ和Ⅱ）和4 个导联（Ⅰ、Ⅱ、V3 和V5）的心电数据构建了CNN。2 个导联的AUC 为0.853～0.883，4 个导联的AUC 为0.880～0.901，该模型对高钾血症心电图诊断的灵敏度显著高于人工判读，其假阴性率低，灵敏度达90%时，特异度为55.0%～63.2%，可作为高钾血症良好的筛查工具。Lin等[20]以40 180 例患者的心电数据开发了检测低钾血症及高钾血症的DLM，并与CVD 及急诊专家们进行了一场“人机对战”，结果表明，人工智能判读能力显著高于人工。另一项来自Kwon等[21]的研究以92 140 例患者的12 导联心电数据开发了检测血液中多种电解质（钾、钠、钙）情况的DLM，结果提示，该模型性能较好（AUC 为0.866～0.945），但其内外部检验结果相差较大，性能有待进一步完善。在此基础上，Lin等[22]以39 例甲状腺毒性周期性麻痹患者及502 例低钾血症患者的心电数据作为训练集，开发出筛查甲状腺毒性周期性麻痹的DLM，该模型平均绝对误差为0.26 mEq/L，AUC 接近0.8。以上研究表明DLM 在根据心电图诊断电解质紊乱中具有良好适用性，为实现对电解质的无创性监测及预测创造了可能。

2.3 贫血

贫血作为最常见的血液系统疾病，全球有超过20 亿患者受其影响。贫血病常为隐匿性，重度贫血患者休克风险大。既往研究表明，重度贫血患者可能导致贫血性心肌病，出现QRS 振幅降低、QT 间期延长、T 波倒置等心电图改变，及时采取措施纠正贫血可改善心血管循环，避免出现心肌损伤[23-25]。2020 年，Kwon等[23]首次以45 250 例患者单导（Ⅰ）、肢体导联及12 导联的心电数据构建3 个筛查血红蛋白≤10 g/dl 患者的DLM 并评价其效果，结果显示12 导联DLM 在内外部检验中均展现了较好的性能，AUC为0.901～0.923；单导和肢体导联DLM 的性能较弱，AUC 为0.841～0.890。进一步利用内、外部验证数据与年龄、性别、体重指数、心率、是否存在心房颤动和心房扑动进行多因素logistic 回归后，发现12 导联DLM 预测值与贫血结果显著相关，风险比为127.11，（95%CI：73.84～219.94，P ＜0.000 1），提示心电图有机会成为贫血患者的无创性筛查方法，并可将其与穿戴式设备结合，从而使贫血患者及时得到诊疗。

2.4 糖尿病

糖尿病是当今社会的一个值得关注的公共卫生问题，其是许多疾病的诱因或病因，如视网膜病变、慢性肾脏疾病、CVD 等。据国际糖尿病联盟调查显示，2017 年全球有4.51 亿（18～99 岁）糖尿病患者，2045年预计增加到6.93 亿。据估计，49.7%的糖尿病患者未得到诊断[26]。糖尿病诊断的金标准为有创性血清学检验，且受诸多条件限制。既往研究表明，大部分糖尿病患者心电图可出现异常改变，且心电图改变程度与发生心血管事件风险相关[27-28]。2021 年，Lin等[29]采用57 185 例患者心电数据构建的DLM 来检测患者的心电图变化，同时监测糖化血红蛋白，研究结果表明，该DLM 的AUC 为0.825 5，其预测值与死亡率、新发慢性肾脏疾病、新发心力衰竭的风险比分别为1.53（95%CI：1.08～2.17）、1.56（95%CI：1.30～1.87）、1.51（95%CI：1.13～2.01），且结果提示该模型更容易发现并发症较少的糖尿病患者，该研究证明DLM 可通过心电图对糖尿病患者进行筛查，有机会及时发现糖尿病、减少其并发症发生、提高患者生存质量及预后。

2.5 脓毒血症

脓毒血症是ICU 患者发生死亡的首要原因，全世界每年有超过3 000 万例确诊，死亡率高达30%。研究表明，在脓毒血症早期若控制不当，则会引起细胞因子风暴，晚期则表现为免疫抑制状态，治疗费用昂贵，早发现、早治疗成为重点[30]。既往研究中，50%被诊断为脓毒血症的患者有心功能障碍的迹象，可伴有QRS 波延长、振幅降低等表现，但由于这些改变的特异度不高（如振幅降低亦可见于肥胖人群），目前有关心电图与脓毒血症相关性的研究甚少。2020 年，Kwon等[31]首次利用46 017 例患者的单导（Ⅰ）、肢体导联及12 导联的心电数据构建DLM，其AUC 为0.863～0.901，提示QT 间期和T 波与脓毒血症有关，该研究揭开了DLM 在脓毒血症无创性筛查及监测的序幕，借人工智能进一步探索了脓毒血症患者心电图波形改变的特点，为今后研究指明了方向。

2.6 其他

目前也研究表明，DLM 对地高辛中毒的筛查能力并不亚于人工判读[32]，DLM 也可以实现对低蛋白血症的筛查[33]等。

3 小结与展望

基于DLM 的心电图波形分析在多系统疾病中的应用提示其具有多种可能性。DLM 使心电图这种无创、价格适宜、耗时短的检查方法在健康筛查中可发挥更大的价值，能为患者取得切实的利益。DLM 提高了人或机器对心电图形的特征提取能力及抗干扰能力，打破了临床医师目前对一些隐匿性疾病难以诊断的局面，或许将来深度学习能在ICU 或急诊此类需要常规心电监护的科室发挥关键作用。

DLM 给临床带来巨大惊喜的背后同样也存在着一些问题，如DLM 的诊断过程及标准仍是不透明的，现有的研究结果可以有指向性地引导研究者探索可视化DLM 的诊断依据，并且深入研究依据与相关疾病的关系[34]。从实际出发，DLM 难以做到灵敏度与特异度兼得，应该根据场景特点而有的放矢，如灵敏度高的模型用于对疾病的筛查，特异度高的模型用于对疾病的鉴别诊断。DLM 无法达到100%的准确度，最终都需要临床医师再次确定结果，考虑其对隐匿性疾病强大的探查能力，将其与便携式设备结合是未来的大势所趋，但这需要对DLM 进行更加精简的转换才能更加适配。许多研究都还停留在模型构建上，未将模型进一步应用于临床，需要继续深入研究，确定DLM 与其受益者之间的相关性及DLM 与传统检查方法之间检出率是否存在统计学意义。