魏子豫 劉興鵬

心電圖通過放置于體表特定位置的電極記錄心臟電活動,具有無創(chuàng)、便捷、經(jīng)濟等優(yōu)點,是當今臨床應用最廣泛的檢查方法之一。冠心病(coronary artery disease,CAD)已累及全球1.72%的人口,每年造成900萬人死亡[1]。及時、準確地判讀心電圖,對冠狀動脈(簡稱冠脈)病變的診斷和治療具有重要意義?，F(xiàn)有標準多基于不同導聯(lián)的QRS波群和ST-T改變判斷冠脈病變的性質、程度及部位,要求醫(yī)師具有扎實的專業(yè)知識基礎及豐富的臨床經(jīng)驗,且心電圖的變化足以被肉眼識別。自20世紀70年代起,計算機自動化輔助判讀系統(tǒng)開始用于心電圖機[2],它可以對采集的心電圖進行精確的即時測量和分析,并出具診斷報告。但是,該診斷報告基于人工讀圖的識別模式及預先定義的規(guī)則,常常無法捕捉到心電圖復雜而細微的異常,誤診率仍較高。

人工智能是一種模仿人類智能行為的計算機技術,其應用已涉及心血管內科的眾多領域,心電圖方面的研究更是熱點之一。與傳統(tǒng)的計算機自動化輔助判讀系統(tǒng)相比,應用人工智能的心電圖分析具有更高的準確性和工作效率[3]。其實,以數(shù)字化格式存儲的心電圖數(shù)據(jù)正是人工智能深度學習的理想樣本[4]。人工智能算法能夠極大地提高臨床醫(yī)師對心電圖的分析能力,甚至可以識別人眼難以察覺的特征[5],為其實現(xiàn)診斷價值的最大化提供了可能。

1 人工智能心電圖

人工智能心電圖(artificial intelligence-enabled ECG,AI-ECG)是指將人工智能算法應用于心電圖分析的技術,可輔助醫(yī)生進行診斷、鑒別診斷、臨床決策等[6]。機器學習是人工智能的一種實現(xiàn)方式,通過對樣本數(shù)據(jù)的不斷重復,識別(即“學習”)其中隱含的規(guī)律,并將任務轉化為數(shù)學問題以尋求最優(yōu)解。深度學習是機器學習的一個方向,它通過模仿人腦的神經(jīng)元和神經(jīng)網(wǎng)絡結構,構建多層神經(jīng)網(wǎng)絡來學習數(shù)據(jù)之間的關系。常用的深度學習算法包括人工神經(jīng)網(wǎng)絡(artificial neural network,ANN)、卷積神經(jīng)網(wǎng)絡(convolutional neural network,CNN)、長短期記憶網(wǎng)絡(long short-term memory network,LSTM)等。與基于預先定義的規(guī)則進行判讀的心電圖機輔助系統(tǒng)相比,AI-ECG利用輸入的心電圖及其診斷訓練算法,并通過重復驗證自動調整參數(shù),從而達到更高的診斷效能。

2 人工智能心電圖在冠心病中的應用

2.1 心肌梗死的識別

2014年,SAFDARIAN等[7]率先利用290例心肌梗死患者的心電圖,比較了多種模型的分類效能,其中樸素貝葉斯(Na?ve Bayes)具有最高的分類準確率(94.7%),概率神經(jīng)網(wǎng)絡(probabilistic neural network,PNN)則在心肌梗死定位中表現(xiàn)更好(76.67%)。ACHARYA等[8]利用有噪聲和無噪聲的心電圖分別訓練并驗證了一個CNN模型,準確率分別達到93.5%和95.2%。此后,多項研究通過增加卷積層數(shù)量、與其他算法相結合等方法,不斷提高AI-ECG的工作效能。LIU等[9]將CNN與雙向長短期記憶網(wǎng)絡(bidirectional long short-term memory network,BLSTM)相結合開發(fā)了一種模型,將敏感性和特異性分別提高至99.97%和99.54%。

除了直接從心電圖中提取波形特征的傳統(tǒng)模型,還有研究嘗試通過結合其他數(shù)據(jù)處理方法,將時間、空間等因素引入算法。2018年,COSTA等[10]將濾除干擾后的290份標準12導聯(lián)心電圖轉化為心電向量圖數(shù)據(jù),再利用相空間重構尋找心臟電活動順序的變化參數(shù),使心肌梗死檢測的敏感性和特異性分別達到92%和96%;在各亞組中,對下壁心肌梗死的識別能力最差,準確率為73.07%,特異性僅53.84%,可能與造成心電活動軌跡改變的其他因素(如纖維化)有關。STRODTHOFF等[11]利用CNN模型得出了相似的結論:其判斷前壁心肌梗死和下壁心肌梗死的特異性相近,但對前壁心肌梗死的敏感性更高(0.980vs.0.894)。原因可能是前壁梗死心肌更靠近胸壁,胸前導聯(lián)能夠收集到更豐富的信息。此外,相比于僅有目標定位診斷的心電圖訓練集,包含所有診斷的訓練集能使模型達到更高的工作效能。

目前,冠脈造影術(coronary angiography,CAG)是明確冠脈病變的金標準,但設備成本、輻射風險及侵入操作等因素限制了其臨床應用。近年的研究開始探索應用心電圖識別梗死相關血管的可能性。LE等[12]掃描了紙質的標準12導聯(lián)心電圖,通過龐加萊模式集成方法把每個導聯(lián)的信號時長擴展至10 s,再利用得到的心電向量圖信號提取描述心電向量空間和時間特征的參數(shù)。該研究模仿CAG對累及血管的識別順序設計了一個分類樹,首先區(qū)分患者及健康對照組;若用輸入的心電圖診斷心肌梗死,則依次區(qū)分右冠脈(RCA)、左前降支(LAD)、左回旋支(LCX)和無法定位(E)。測試中支持向量機算法判斷梗死相關血管的平均準確率超過88%,區(qū)分LAD和LCX的準確率達到93.67%。WU等[13]利用臨床收集的883例患者的資料,開發(fā)了一個將CNN和LSTM相結合的模型,其診斷急性ST段抬高型心肌梗死(ST-segment elevation myocardial infarction,STEMI)的ROC曲線下面積AUC值達1.00。確定梗死相關血管時,模型對LAD較敏感,而區(qū)分LCX和RCA的準確率略低于醫(yī)師判讀(0.71vs.0.84),可能與訓練不足有關。BOUZID等[14]建立的隨機森林模型識別LAD、LCX、RCA和其他罪犯血管的AUC值分別達0.82、0.84、0.85、0.85;該文獻分析提出,糖尿病、CAD病史及T波輕微改變是影響模型分類的因素,而以多支血管病變?yōu)橹鞯恼鎸嵤澜缳Y料不利于分類模型的訓練。

2016年ACHARYA等[15]首次提出了單導聯(lián)心電圖診斷心肌梗死的設想,其嘗試提取心電圖的多個非線性特征,用于訓練一個利用標準12導聯(lián)中任一導聯(lián)獨立檢測心肌梗死的算法。測試中,V5導聯(lián)表現(xiàn)最好,敏感性、特異性分別達99.45%、96.27%;V3導聯(lián)區(qū)分梗死區(qū)域的平均準確率可達98.74%,以檢測下后壁心肌梗死的準確率最高(99.97%)。GIBSON等[16]利用8511份來自真實世界的心電圖訓練了一個CNN模型,測試發(fā)現(xiàn)V2導聯(lián)單獨檢測STEMI的總體效能最高(準確率90.5%,敏感性86%,特異性94.5%)。以上兩項研究均未發(fā)現(xiàn)導聯(lián)的診斷效能差異與心肌梗死區(qū)域定位的關系,可能與其不同于人工識圖規(guī)則的復雜的算法識別原理有關。CHO等[17]開發(fā)了一種CNN模型,其中內嵌的算法可基于6個肢體導聯(lián)重建6個胸前導聯(lián)的心電圖圖形,使之識別STEMI的效能與基于標準12導聯(lián)心電圖相當(敏感性84.7%vs.83.3%,特異性92.1%vs.96.2%),優(yōu)于僅基于6個肢體導聯(lián)或心電圖機自動判讀。該模型對LAD、LCX和RCA等梗死相關血管均有較好的識別效能,其AUC值分別為0.895、0.932、0.945,與標準12導聯(lián)心電圖相比稍低。如將這類算法內置于可穿戴或便攜設備,則有望實現(xiàn)對高?；颊?糖尿病、非典型胸痛的女性或高齡患者)的遠程監(jiān)護。

2.2 急性冠脈綜合征的識別

急性冠脈綜合征(acute coronary syndrome,ACS)是心血管內科最常見的急癥,若未能及時識別和治療,患者可能發(fā)生猝死等嚴重事件。ACS患者心電圖可出現(xiàn)T波倒置、ST段抬高、病理性Q波等多種非特異性改變,甚至在部分患者中也可無明顯異常。由于急診工作量大、時間緊迫等原因,難免有診斷差錯發(fā)生[18]。LIU等[19]開發(fā)了一種深度學習模型,對STEMI的診斷準確率高于優(yōu)秀醫(yī)師,敏感性、特異性分別達到98.4%和96.9%;診斷急性非ST段抬高型心肌梗死(non-ST-segment elevation myocardial infarction,NSTEMI)的AUC值 可 達0.877,結合心肌肌鈣蛋白I(cardiac troponin I,cTnI)診斷時AUC值可達0.978。該團隊基于這一模型開發(fā)了一個報警系統(tǒng)AI-S,可在心電圖自動上傳的10 s內進行風險評分,并結合病史及后續(xù)cTnI、心電圖演變更新評分,及時提醒值班醫(yī)師關注高風險患者[20]。該單中心前瞻性隊列研究證實,AI-S對STEMI的識別準確率高達100%,識別NSTEMI的敏感性較低(62.1%),但特異性很高(99.96%)。AI-S的應用使獲得心電圖至決定CAG的耗時中位數(shù)從6.0 min縮短至4.0 min(P<0.01),平均入院至球囊擴張(door-to-balloon,D-to-B)時間從69 min縮短至61 min。這是AI-ECG首次應用于臨床,證明AI-S可以提供快速、準確的心電圖診斷,為急診患者的臨床處置提供支持。

WU等[21]利用268例胸痛患者的心電圖訓練ANN模型,以區(qū)分NSTEMI和心絞痛,其敏感性和特異性分別達到90.91%和93.33%。該研究還提出了9個與NSTEMI獨立相關的預測因子,分別是心血管危險因素、血紅蛋白、收縮壓、PR間期、校正的QT間期(QTc)、谷草轉氨酶、谷丙轉氨酶、肌酸激酶同工酶和心肌肌鈣蛋白。AL-ZAITI等[22]使用來自EMPIRE隊列(n=1244)的心電圖進行訓練及驗證,聯(lián)合梯度提升機、邏輯回歸和ANN三種算法開發(fā)了一個機器學習模型,其預測ACS事件的AUC值為0.82,顯著高于心電圖專家(0.67)和商業(yè)軟件(0.62);其預測NSTEMI的AUC值達0.78,即便患者隱瞞胸痛病史,也不會降低其診斷效能。該模型同時具有較高的陰性預測值(0.94),假陰性病例出現(xiàn)的原因包括過度基線漂移、頻繁早搏、心動過速和左心室肥厚。

2.3 慢性冠脈綜合征的評估

多項利用CNN[23]、深度神經(jīng)網(wǎng)絡[24]及多種算法相結合[25]的模型,對慢性冠脈綜合征(chronic coronary syndrome,CCS)進行了準確判讀。近年來,數(shù)項研究嘗試進一步對CCS累及血管及其病變嚴重程度進行預測。ALIZADEHSANI等[26]結合標準12導聯(lián)心電圖、病史、輔助檢查結果篩選了一系列特征,模型對CCS主要累及的冠脈分支(狹窄>50%)的識別準確率分別達到LAD 86.43%,LCX 83.67%,RCA 82.67%。HUANG等[27]從兩家醫(yī)院共收集了5311份心電圖,利用CNN算法提取CCS患者的心電圖特征,再對多種模型進行測試,其中Inception V3對CCS可達到0.900±0.012的識別準確率,識別LAD、LCX、RCA病變的AUC值則分別為0.966±0.010、0.948±0.014、0.978±0.010。LEASURE等[28]嘗試訓練商業(yè)機器學習軟件ECGio,用于判斷冠脈主要分支的狹窄程度。該研究納入1659例心絞痛患者,以4支主要血管[左主干(LM)、LAD、LCX和RCA]中病變最嚴重者為標準,根據(jù)直徑狹窄率(diameter stenosis,DS)分為輕度(DS≤30%)、中度(30%

除了識別CAD患者,還有研究把納入標準擴大至其他心血管疾病。LIH等[29]訓練了一個CNN-LSTM結合模型,區(qū)分健康對照、心肌梗死、CAD和充血性心力衰竭的心電圖,其敏感性和特異性分別達到98.51%和97.89%。這提示AI-ECG輔助心血管疾病的鑒別診斷具有一定的可行性。

3 局限性與展望

早期研究多使用PTB Physionet Datebase、Z-Alizadeh SaniDataset等公開數(shù)據(jù)庫,由于受樣本量所限,這些研究常常采用多倍交叉驗證的測試方法,而重復訓練可使模型產(chǎn)生對同一個體圖像的適應性,導致模型的準確率等性能被高估。近年來,更多研究從真實世界獲取心電圖等臨床資料,樣本量的擴大使模型的訓練及評估更為可靠。各醫(yī)療中心所使用的心電圖機并不統(tǒng)一,采集和處理信號的過程有所不同,可能會造成心電圖波形的微小差異,影響模型的訓練與判讀。此外,心電圖的時長過短、干擾明顯等采集缺陷,以及復雜的臨床情況(如合并傳導阻滯、解剖異常)均會限制模型的訓練效果。未來需要臨床醫(yī)師和算法工程師進一步加強合作,建立更多高質量的大規(guī)模數(shù)據(jù)庫,并在不違背倫理原則的前提下保證信息的安全共享,從而實現(xiàn)對AI-ECG更全面和深入的探索。

此外,AI-ECG能從復雜的輸入信息中自動提取特征,從而訓練為高效的分類機器,但其工作方式和原理很難為人類完全理解。這使得模型成為一個“黑匣子”,因此,在某種程度上限制了我們對這些模型的編輯和應用。加之現(xiàn)有的AI-ECG研究多為回顧性研究,缺少能夠證實深度學習模型實際效能的前瞻性研究,尤其是臨床醫(yī)療中的實踐。因此,AI-ECG的應用價值尚需更多循證醫(yī)學證據(jù)的支持。

4 小結

AI-ECG在CAD的診斷與鑒別診斷、心血管風險預測、臨床決策支持等多個方面均表現(xiàn)出了巨大的潛力,但是,由于種種原因,目前AI-ECG的開發(fā)還在起步階段,并且面臨著倫理、成本、技術缺陷等問題。隨著這一技術的迅速發(fā)展及上述問題得到解決,人工智能將會對CAD的診療產(chǎn)生更加深刻的影響。