王蕾 黨時鵬 王如興

作為21世紀尖端技術之一的人工智能,主要是以計算機為基礎來模擬人的某些思維過程和智能行為,如學習、推理、規(guī)劃和思考等。人工智能可對復雜模式和大量數據進行分析和分類,其表現出的潛力甚至超出了人類可直接解釋的范圍[1]。該領域的研究內容包括機器人、專家系統(tǒng)、機器學習、計算機視覺、自然語言處理等。目前,人工智能在醫(yī)療健康行業(yè)的應用已非常廣泛,應用場景主要涉及智能診療、虛擬助理、醫(yī)學影像、可穿戴設備、急救室/住院管理、電子健康病歷管理等多個領域[2]。機器學習是當前實現人工智能的主要技術手段,任何通過數據訓練的學習算法都可歸于機器學習,其中最熱門的一個分支——深度學習更是在醫(yī)學圖像分析預測方面展示了巨大的潛力。本文主要綜述基于心電圖的機器學習在預測心血管疾病方面的應用進展。

1 機器學習和深度學習

作為實現人工智能的主要方法之一,機器學習通常利用大量數據,通過算法來構建模型,隨后對模型性能進行評估;如果評估指標達到要求,則采用該模型,否則需要調整算法并重新搭建模型,直至達到目標[3]。機器學習能夠識別非線性關系和多個變量之間的高階交互作用,主要圍繞算法的使用展開,常見的算法包括C4.5算法、K均值聚類算法、決策樹、聚類、貝葉斯分類和支持向量機等[4]。傳統(tǒng)的機器學習算法主要通過人工提取特征來去除不相關數據和冗余數據,從而提高機器學習效率和增強結果的可解釋性。對于一些較復雜的問題,需要對人工提取的特征建立有效的特征集合,這一過程往往需要反復摸索,花費很多的時間和精力。隨著大數據時代的來臨,各領域數據總量、數據維數和特征數顯著增加,現有處理方法遇到很大挑戰(zhàn),這就需要搭建更復雜的模型以代替人工尋找特征。作為機器學習的一個重要分支,深度學習不需要人工提取特征,它使用深層神經網絡作為模型,除了可以自動學習特征和任務之間的關聯(lián)以外,還能從原始數據自動獲得抽象特征,將簡單的特征組合成更加復雜的特征,并利用這些組合特征解決問題,可減少人工提取特征造成的不完備性[2]。深度學習具有強大的運算能力,并能對復雜的原始大規(guī)模數據集進行學習,從而做出有效決策,可達到甚至超出人腦的決策效果[5]。常見的深度學習模型有卷積神經網絡(convolutional neural network,CNN)、循環(huán)神經網絡和深度信任網絡等,其中CNN在醫(yī)學圖像處理方面的性能表現尤為突出[6]。

2 機器學習在心電圖分類診斷中的應用

心電圖是從體表記錄心臟電活動的臨床工具,是一種診斷心臟疾病的重要非侵入性技術[7-8]。早在20世紀70年代,機器學習便被用于心電圖的自動分析。機器學習利用算法構建模型,從大量心電圖像中學習并提取特征,從而進行自動診斷。近年來隨著大型專家釋義的心電圖數據庫、創(chuàng)新算法和擁有強大計算能力的計算機的應用,心電圖的自動診斷越來越準確[2]。機器學習可識別缺血性和非缺血性ST段改變,診斷冠心病和急性心肌梗死;識別P波、QRS波的形態(tài)和振幅異常,從而診斷心房擴大和心室肥厚;還可通過識別異常和不規(guī)律心跳進行心律分類,從而實現各種心律失常的自動診斷[5,9]。多種機器學習算法可用于心電圖的分類診斷,如線性和二次方程判別式、支持向量機、隨機森林、貝葉斯網絡和神經網絡等。不同算法對心電圖分類的準確性雖存在差異,但普遍可達95%～99%[1,9]。

3 機器學習用于常見心血管疾病的預測

有些心血管疾病在發(fā)病之前心電圖可能正?；蜉p度異常,臨床醫(yī)師尚不能據此直接診斷。目前有研究表明,機器學習通過對大量正?；蚪咏５男碾妶D進行分析、學習并提取特征,能對人工不能直接診斷的或將要發(fā)生的心血管疾病進行預測,主要表現在以下幾個方面。

3.1 冠心病

急性冠脈綜合征(acute coronary syndrome,ACS)患者可從早期血運重建手術中獲益,然而部分患者為急性非典型ST段抬高型心肌梗死(nontypical ST-segment elevation myocardial infarction,NSTEMI),難以通過心電圖準確判斷其是否需要行急診血運重建術。GOTO等[10]采用一維卷積層和雙向長短期記憶層構成的模型處理時間序列心電數據,能檢測到醫(yī)生無法識別卻實際存在的特定心電圖特征,從而篩選出需要行急診血運重建的患者,預測準確率達到83%,敏感性和特異性分別為79%和87%。AL-ZAITI等[11]從12導聯(lián)心電圖中提取了554個時間-空間特征,利用Logistic回歸、梯度增強機和人工神經網絡(artificial neural network,ANN)訓練模型,排除最不可能與急性心肌缺血發(fā)病機制有關聯(lián)的心電圖特征,最終獲得65個有臨床意義的心電圖特征以預測ACS,最終融合模型識別急性心肌缺血心電圖的能力得到顯著提高:敏感性比商業(yè)軟件提高52%,比經驗豐富的臨床醫(yī)生提高37%,這是第一個僅使用院前12導聯(lián)心電圖數據搭建機器學習模型來預測ACS的研究。對于急性NSTEMI與非心源性胸痛的分層,目前尚無有效手段。WU等[12]采用ANN模型來預測急性NSTEMI患者,通過文獻搜索排查出42條潛在的預后因素來區(qū)分ACS引起的胸痛和緊急情況下的非心源性胸痛,并通過Logistic回歸對上述預后因素進行分析,確定了收縮壓、校正QT間期、血紅蛋白等9個與急性NSTEMI獨立相關的預測因子作為ANN模型的輸入層,輸出層主要預測急性NSTEMI和心絞痛,準確率可達92.86%,敏感性為90.91%,特異性為93.33%,陽性預測值為76.92%,陰性預測值為97.67%。SONG等[13]針對心率變異性(heart rate variability,HRV)降低與急性心肌梗死(acute myocardial infarction,AMI)患者死亡風險相關卻無法利用HRV準確預測死亡的問題,采用一種基于支持向量機算法的預測模型分析24 h動態(tài)心電圖數據,研究自主神經功能障礙和AMI死亡率之間的關系,從而更準確地預測高危AMI患者,提升AMI后的生存風險分層準確性,曲線下面積可達0.89。由此可見,機器學習能準確預測和篩查冠心病高?；颊?使之及時得到適當的臨床處置,有助于改善患者預后。

3.2 心律失常

房顫是臨床上常見的一種心律失常,與腦卒中、心力衰竭(簡稱心衰)和死亡相關。部分陣發(fā)性房顫難以發(fā)現或確診,而長時間監(jiān)測不僅篩選成本較高,而且陽性率較低。ERDENEBAYAR等[14]利用CNN算法,僅需分析正常心電圖信號即可實現陣發(fā)性房顫的自動預測。該模型的準確率、敏感性和特異性均可達98%以上,有望成為陣發(fā)性房顫早期診斷的有力工具。ATTIA等[15]使用標準10 s的12導聯(lián)心電圖,將以往心電圖診斷為房顫或心房撲動的患者列為房顫陽性對照組,評估模型在測試數據集上的診斷效能,得出人工智能使用單次心電圖預測房顫的準確率、敏感性和特異性均達79%以上;而采用患者發(fā)生房顫前一個月內的竇性心律心電圖預測房顫的準確率升至83.3%,敏感性和特異性上升至82.3%和83.4%。JALALI等[16]利用CNNResNet模型和Wide-ResNet模型分析房顫發(fā)作前的長時程心電信號,發(fā)現通過識別心電圖中的房性早搏可以預測房顫;如果樣本數量較少、數據高度不平衡,則該方法仍能獲得較好的房顫預測效果。EBRAHIMZADEH等[17]使用機器學習對HRV進行線性、時頻和非線性分析并提取特征組合,利用局部特征子集選擇進行特征簡化,再使用K最近鄰、支持向量機、多層感知器和混合專家4種分類器分別對陣發(fā)性房顫發(fā)病前后的心電信號進行分類,以實現對陣發(fā)性房顫的預測;結果表明,采用混合專家分類方法能夠對不同過程的輸出進行準確決策,分類精度更高,預測敏感性和特異性分別為100%和95.5%。HAYN等[18]為更好地了解心電圖正常的患者未來是否會出現房顫,以及房顫是否會自動終止,提出了一種根據正常心電圖預測房顫發(fā)生和終止的軟件系統(tǒng)。該系統(tǒng)通過檢測早搏并分析其P波形態(tài)來預測房顫的發(fā)生,以計算主要心房頻率為基礎來預測房顫的終止,準確率可達75%。此外,CHESNOKOV等[19]通過提取心電圖中的HRV數據,利用ANN和支持向量機算法分析陣發(fā)性房顫事件發(fā)生前30 min非房顫節(jié)律的HRV的動態(tài)變化,并據此預測陣發(fā)性房顫;與支持向量機算法相比,ANN預測陣發(fā)性房顫的敏感性、特異性和陽性預測值更高。

陣發(fā)性室上性心動過速(簡稱室上速)是臨床上一種常見的心律失常,可引起患者心悸、胸悶等不適癥狀,造成生活質量下降。當患者在無癥狀時的竇性心律狀態(tài)下,醫(yī)生無法通過常規(guī)心電圖診斷。WANG等[20]使用陣發(fā)性室上速手術患者術前竇性心律心電圖和正常對照人群的標準12導聯(lián)竇性心律心電圖訓練CNN模型;結果顯示該CNN算法可以通過正常竇性心律心電圖進行陣發(fā)性室上速的檢測,總體準確率為95.5%,敏感性為90.2%,特異性為96.6%。

作為引起心搏驟停的最主要心律失常,心室顫動的除顫成功率通常并不高。SHANDILYA等[21]針對該問題開發(fā)了一種基于信號處理和機器學習的模型,可用于預測心室顫動的除顫成功率,其主要方法如下:提取電除顫前的心電圖信號,采用時間序列和二元樹復小波變換方法,提取心電數據和呼氣末二氧化碳數據特征,訓練參數優(yōu)化的支持向量機模型,其預測除顫成功率的準確性較高。

3.3 心力衰竭

針對醫(yī)療機構還不具備廉價且無創(chuàng)的無癥狀左心室功能不全篩查工具的現狀,ATTIA等[22]將12導聯(lián)心電圖和超聲心動圖測得的左心室射血分數(LVEF)≤35%的患者數據進行配對,然后訓練一個CNN模型,從而在無癥狀個體中僅基于心電圖數據就可準確預測左心室功能障礙患者,敏感性可達86.3%,特異性和準確率均為85.7%。同樣地,為了識別更多潛在的左心室功能障礙患者并使其得到及時干預,SUN等[23]將12導聯(lián)心電圖和超聲心動圖測得LVEF≤50%的患者數據進行配對,使用CNN LeNet-5框架來提取原始心電數據特征,亦可從看似正常的心電圖中篩選出左心室功能障礙患者。ATTIA等[24]利用深度學習算法對近期經超聲心動圖評估存在左心室功能障礙和無左心室功能障礙患者的常規(guī)12導聯(lián)心電圖進行分析,可以識別出無癥狀的左心室功能障礙患者。此外,KWON等[25]將人口學特征和心電圖特征作為預測變量,設定主要的終點事件是LVEF≤40%的心衰,次要終點事件是40%

雖然左心室舒張功能障礙在心衰發(fā)展過程中會起到重要作用,但患者可能沒有任何臨床癥狀,而且目前也缺乏在超聲心動圖檢測前精準診斷舒張功能障礙的臨床工具。KAGIYAMA等[27]在北美的4家醫(yī)療機構中開展了一項前瞻性研究,共招募1202例受試者,在特征提取階段,把傳統(tǒng)心電圖信號與10個基礎臨床特征相結合作為機器學習回歸模型的輸入,并參考超聲心動圖測量的左心室舒張早期速度數值來評估心肌舒張功能。該方法能夠較好地預測左心室舒張功能障礙,有望成為早期檢測左心室舒張功能障礙的一種經濟有效的篩查工具。SENGUPTA等[28]考慮到在所有左心室舒張功能障礙的病例中幾乎都會存在心肌舒張受損,利用連續(xù)小波變換對心電信號進行預處理,選用隨機森林分類器和蒙特卡羅交叉驗證對心電信號進行分類預測,實現了基于體表心電圖信號對心肌舒張異常的預測,從而識別出有左心室舒張功能障礙風險的患者。因此,機器學習算法可以通過心電圖預測射血分數下降或保留的心衰患者。

3.4 結構性心臟病

為有效識別無癥狀期的主動脈狹窄患者,KWON等[29]以患者基本信息和12導聯(lián)心電圖原始數據作為預測變量,開發(fā)了一種結合多層感知器和CNN的深度學習算法模型,可有效識別和預測顯著性主動脈狹窄;同時采用靈敏度圖確定模型在心電圖中識別主動脈狹窄的心電區(qū)域,發(fā)現胸導聯(lián)T波區(qū)域對于模型決策影響最大。KWON等[30]還使用CNN模型對12導聯(lián)心電圖進行學習,以識別和預測二尖瓣反流的進展,并利用靈敏度圖確定了二尖瓣反流患者心電圖的P波和T波是CNN算法識別二尖瓣反流進展的重要決策區(qū)域。

心電圖是預測左心室肥厚最常用的工具,但精確度不高,de la GARZA-SALAZAR等[31]使用機器學習C5.0算法,使心電圖預測左心室肥厚的效能得到優(yōu)化。該算法使用高度相關的心電圖特征并提供適當的截止值,使得整個模型的內在特征具有高度可解釋性,并包含了具有預后預測價值的變量,也為肥厚心肌的電發(fā)生機制提供了合理解釋。左心房增大本身無癥狀和體征,但能獨立預測多種心血管疾病的發(fā)展。為更好地預測患者是否存在左心房增大,JIANG等[32]選取已同時進行10 s的12導聯(lián)心電圖和超聲心動圖檢查的65歲以上老年人為研究對象,搭建并訓練CNN模型在心電圖正?；颊咧凶R別存在左心房增大的患者;該CNN模型能根據竇性心律心電圖識別出極有可能存在左心房增大的個體,其預測表現良好,敏感性為84.0%、特異性為92.0%、準確率為88.0%。針對心肌瘢痕對心電圖有影響卻不易被發(fā)現的問題,GUMPFER等[33]利用CNN與全連接前饋網絡模型開發(fā)了一種心肌瘢痕預測模型,基于12導聯(lián)心電圖時間序列數據集和臨床參數,采用6倍交叉驗證進行模型訓練和評估。該模型直接利用心電圖數據和臨床參數,無須預提取任何特征即可進行心肌瘢痕的有效預測,臨床應用簡單靈活;如能補充臨床參數信息,還能進一步提高其預測性能。

3.5 高血壓

心電圖信號可用于血壓的估計和預測。SIMJANOSKA等[34]通過對原始心電數據進行濾波與分割以提取特征,采用機器學習方法,結合基于堆疊的分類模塊和回歸模塊,建立了關于收縮壓、舒張壓和平均動脈壓的預測模型,以便有心電傳感器的用戶不使用額外設備即可測量血壓。LANDRY等[35]利用ANN構建了帶外源性輸入的非線性自回歸模型,不僅可基于心電圖信號預測血壓波形,準確估計患者的收縮壓和舒張壓,而且還可連續(xù)監(jiān)測血壓,并估算其他生理測量值。

3.6 心臟性猝死

全球每年有數百萬人死于心臟性猝死(sudden cardiac death,SCD)。SCD具有發(fā)病急、存活率低和預測難等特點;如果能及時識別或預測,并使用除顫器等醫(yī)療設備,則能減少由SCD引起的死亡。SCD患者HRV信號在其SCD發(fā)生前后具有明顯特征,可據此區(qū)分SCD易發(fā)患者和正常人群。EBRAHIMZADEH等[36]從HRV信號中提取線性、時頻和非線性特征,分別利用K最近鄰和多層感知器神經網絡對健康人群和SCD風險人群進行分類。該研究發(fā)現,提取特征的類型和時間點不同,其對應的SCD預測準確率也不同,而將時頻特征和非線性特征相結合可以獲得更高的精度。距SCD發(fā)生的時間間隔越短,組合特征對SCD的預測準確率就越高;在SCD發(fā)生前第4 min往后,SCD的預測準確率將急劇上升。此外,與K最近鄰算法相比,多層感知器神經網絡識別SCD性能更高,可協(xié)助醫(yī)生在SCD發(fā)生前4 min就識別它,從而可預防SCD事件發(fā)生,及時挽救生命。心搏驟停的預測對避免SCD的發(fā)生具有重要意義,HOUSHYARIFAR等[37]從心臟驟停發(fā)生前6 min的心電圖信號中提取HRV信號的雙譜特征和時域特征,并采用線性判別分析技術將HRV信號中提取的特征簡化為一個特征,分別基于K最近鄰和支持向量機算法進行分類,實現在心搏驟停發(fā)生前4、5、6 min預測SCD,準確率均超過91%。SHEN等[8]成功利用單導聯(lián)心電圖數據預測SCD,使家庭護理系統(tǒng)和可佩戴設備準確預測SCD事件成為可能。其中,個人心臟家庭護理系統(tǒng)主要由心電識別模塊、SCD檢測模塊和SCD預測模塊構成。該系統(tǒng)采用數字濾波器、模板匹配和均方誤差方法對單導聯(lián)(Ⅰ導聯(lián))心電信號進行處理,分別通過傳統(tǒng)機器學習算法,如小波分析法、ANN、最小均方差、基于決策的神經網絡、反向傳播神經網絡識別HRV特征以預測SCD事件,結果顯示小波分析法的預測準確率最高。KWON等[38]分別將12導聯(lián)、6導聯(lián)和單導聯(lián)心電圖數據作為模型數據集,利用CNN對其進行學習,發(fā)現模型基于單導聯(lián)(Ⅰ或Ⅱ導聯(lián))心電圖同樣可預測心搏驟停,這使采集單導聯(lián)心電圖的可穿戴設備也可能被用于心搏驟停的篩查和預測。同時,利用靈敏度圖研究發(fā)現,用于支持決策的關鍵心電信號區(qū)域主要集中在QRS波段,部分分布于T波。

3.7 心血管事件

RAGHUNATH等[39]通過訓練深度神經網絡提取患者12導聯(lián)心電圖特征,不僅可預測患者一年內的死亡率,而且可對胸痛患者以及存在心臟缺血的非典型胸痛患者進行危險分層;對于預期生存時間在一年以內的患者,還能輔助治療決策,即實施保守治療還是采取侵入性的和(或)高風險的治療措施。LIU等[40]采用隨機森林方法從胸痛患者的8個臨床體征和5 min HRV數據中篩選出與主要不良心臟事件最相關的3個變量,分別是收縮壓、平均RR間期和平均瞬時心率,而以這些變量為輸入的基于幾何距離的機器學習評分系統(tǒng)會根據心電圖對胸痛患者給出0～100分的風險評分。該研究發(fā)現,選擇上述3個最相關預測變量的評分系統(tǒng)與采用全部23個變量的評分系統(tǒng)相比,前者在72 h內預測主要不良心臟事件的效果優(yōu)于后者,提示預測因子并不是越多越好。COSTANTINO等[41]選取病史、心電圖、暈厥情況等10個變量作為ANN模型對暈厥患者短期危險的預測因子,表明ANN模型有望成為暈厥患者危險分層工具而在急診科推廣應用。

4 小結

使用機器學習進行心電圖自動分類診斷的技術已經較為成熟,并在臨床得到廣泛應用。然而基于心電圖的機器學習用于疾病預測,尤其是在心血管疾病預測方面仍處在研究階段,尚未在臨床大范圍推廣。同時,機器學習可以對患者的臨床特征、檢驗結果、心電圖、CT或MRI等多種數據進行綜合學習,從而提高預測結果的準確性。而作為機器學習分支的深度學習,其性能往往隨著訓練數據集規(guī)模的增大而不斷提升。深度學習能夠自動獲取特征,只需直接輸入原始數據進行運算,就能得到輸出結果。但深度學習過程中自動提取的特征可能跟臨床特征無關,存在可解釋性差的問題,而這種無法解釋的特征往往難以讓醫(yī)生信服并據此做出診斷,即“黑匣子”效應。靈敏度圖的應用在一定程度上打破了深度學習算法在學習與決策過程中的“黑匣子”限制,但其應用仍需進一步研究。