隨著便攜式心電可穿戴設備的快速發展，新增的海量心電圖數據的判別和診斷已經無法僅靠人工來完成。近年來人工智能和機器學習（ML），特別是深度學習，在輔助診斷、醫學影像處理等領域應用迅速發展，在心電圖自動診斷方面也取得了諸多卓有成效的進展。

　　博士等對31篇文獻進行了綜述，總結了深度學習應用于心電圖相關的五個領域的研究，包括心律失常、心肌病、心肌缺血、瓣膜病、高鉀血癥和其他非心血管疾病，并對其局限性和未來研究的方向進行了討論。

　　概 述

　　人工智能在過去十年間發展迅速，已被廣泛應用于醫療領域。

　　人工智能、機器學習和深度學習

　　人工智能有包括機器學習在內的多個領域，而深度學習又是機器學習的一個分支，深度學習技術在圖像識別和語音識別中超越了傳統機器學習。深度學習通過在模型中加入多層的計算單元并形成"深度"模型，從而獲得強大的表示學習能力，能從數據中學習到多層次的抽象表征。

　　目前，卷積神經網絡是最常用于分析心電圖的深度學習方法。

　　心電圖的數據分析

　　心電圖信號可以用多種形式來表示，每種形式都可以用深度學習進行分析。心電圖可以被分為固定長度的單個心臟搏動子樣本，每個心電圖可產生數百到數千個子樣本，從中得出的特征可用于傳統的深度學習網絡，如全連接神經網絡。此外，它可以作為二維布爾（0或1）圖像而非一維信號發送，與基于圖像的卷積神經網絡高度兼容。

　　心電圖分析所擇的信號類型取決于可用的數據庫。MIT-BIH房顫數據庫是最早發布的數據庫；心臟病學計算挑戰賽的數據集通過引入了更大的數據庫；MIMIC數據庫也逐漸普及，提供了超過67000份ICU患者的心電圖；醫療機構數據庫也在逐漸增長，其心電圖的數量已遠超開放數據庫。

　　心律失常

　　心律失常在成年人中的發病率約為3%，其中以房顫最為常見。通過心電圖識別房顫受到許多研究的關注，主要涉及人工智能的信號處理、機器學習和深度學習等方面。

　　使用帶有殘差塊的卷積神經網絡可更有效地訓練更深的模型，有研究者使用了來自126 526名患者的454 789份心電圖進行訓練，并取得了較好的性能結果。還有研究者使用深度學習，根據患者首個正常竇性心律的心電圖預測了陣發性房顫。深度學習創新了心電圖數據的提取方式，可輔助CHADS2-VASC指導隱源性卒中患者的抗凝治療。此外，研究證實，心電圖深度學習模型的診斷準確率可達到醫務人員的水平，甚至略勝一籌。

　　心律失常是最常使用心電圖進行鑒別診斷的心臟疾病，其診斷和治療的重要性已得到了充分認識，但仍缺乏對心電圖在患者管理中的直接作用的研究。需要進一步研究以評估深度學習在臨床工作中的作用，例如，應用于篩查和診斷較為少見的疾?。ㄈ缦忍煨蚤LQT綜合征）、更準確地診斷心律失常（如復雜的房室傳導阻滯和寬QRS波快速性心律失常），以及為預測介入手術（如房顫消融術）的結果提供參考意見。

　　瓣膜病

　　心電圖因缺乏敏感性而無法在傳統的臨床框架中診斷瓣膜病，但深度學習模型可通過發現瓣膜病的細微結構變化來進行診斷。

　　等研究了一個集合模型，該模型結合卷積神經網絡對原始12導聯心電圖信號、人口信息和心電圖數字特征（HR、QT間期、QRS持續時間、QTc等）進行分析，以對嚴重主動脈狹窄（AS）進行分類，在一個醫療中心的10865名患者中進行了驗證并取得了良好結果，AUC為0.884。

　　隨后，Kwon等對有明顯二尖瓣反流的患者復制了上述研究，并使用一個醫院系統中的24202名患者的56670份心電圖進行訓練，外部驗證測試集由另一個醫院的10865份心電圖組成。該模型具有較高的靈敏度和陰性預測值，但特異性和陽性預測值較低，表明它可作為排除二尖瓣反流診斷的篩選工具。

　　心肌病

　　在心肌病領域，肥厚型心肌病（HCM）和左室收縮功能障礙是多個研究小組關注的焦點。

　　在一項結合了深度學習和機器學習的研究中，研究者訓練了一個改良的卷積神經網絡模型（U-Net），以自動對心電圖各段進行分類，并從深度學習模型中生成了一個特征性向量，將其輸入一個更經典的基于35 466份心電圖的機器學習模型，以預測患者是否存在肺動脈高壓、HCM、淀粉樣變性和二尖瓣脫垂，并獲得了較好的受試者操作特征曲線下面積（AUROCs），檢測二尖瓣脫垂時達到0.78，檢測HCM時明顯達到0.91。

　　此外，梅奧診所的研究者使用了卷積神經網絡訓練模型來診斷HCM，該模型在測試集中的AUC為0.96，且陰性預測值和靈敏度都很高，表明該模型可以作為疑似HCM患者的篩查工具。

　　心肌缺血

　　盡管心肌缺血是心血管研究中最經典的領域之一，但通過文獻檢索僅發現一篇研究使用心電圖和深度學習診斷心肌缺血的論文。

　　等使用了一個遷移學習的模型，通過將心電圖轉換到傅里葉空間（將心電圖信號的表示方法從信號強度與時間的關系改變為信號強度與波頻的關系），并在空間上將12個導聯堆疊在一起（形成一個2D圖像）。他們在公開的中國心電圖挑戰賽數據庫和由中國南方心肌梗死患者的17000份心電圖組成的私人數據集上，訓練了一個圖像分類模型GoogLeNet。該模型在私人數據集中的準確率為86%，但在挑戰賽數據集中的準確率僅為49%，且研究者未公布敏感性、特異性和AUC分析相關的結果。

　　未來的研究方向可能包括缺血性心臟（如穩定型心絞痛、不穩定型心絞痛等）或亞臨床CAD的檢測。

　　高鉀血癥和其他非心血管疾病

　　除上述心臟疾病外，深度學習還被用于識別電解質紊亂和預測健康狀況。已有研究表明，電解質或精神疾?。唇箲]）偏離基線對心臟的結構和功能有影響。

　　等對來自梅奧診所的患者進行了一項多中心研究，利用2導聯和4導聯的心電數據識別慢性腎臟病患者是否存在高鉀血癥。雖然該研究的模型對高鉀血癥的特異性較低，但在外部驗證集上取得了較好的準確度和敏感度，提示非侵入性心電圖可預測慢性腎臟疾病的高鉀血癥。

　　等對使用心電圖來預測患者的年齡進行了研究。該研究的亞組分析顯示，預測誤差最大的病例有明顯更多的收縮功能障礙、高血壓和CAD事件，而預測誤差較小的病例在較少的心血管事件。該研究表明，心電圖可以作為一種生物標記，監測總體健康水平隨時間變化的規律。

　　結論

　　心電圖包含著大量心臟傳導系統的相關信息，與CVD（心律失常、心肌病、瓣膜病和心肌缺血）存在緊密聯系。在解讀心電圖并據此進行疾病診斷的過程中，深度學習模型體現出了較為明顯的優勢，并極具發展前景。

　　然而，目前在數據訪問和模型共享方面仍存在困難，且原有信息技術基礎設施的靈活性有限，現有的深度學習模型廣泛在應用前必須克服這些障礙。此外，確保深度學習模型得到充分驗證也至關重要。迄今為止，大多數數據集都是由單中心匯總的，存在過度擬合的風險，對其他醫院系統和其他數據集的外推性很差。并且，目前還缺乏一個中心模型來比較這些不同的模型在不同醫療機構中的表現。

　　雖然本綜述納入的每項研究結果都肯定了深度學習在解讀心電圖方面的價值，但只有少數研究對模型的心電圖學習進行了深入探討。此外，在許多研究的方法論中，沒有顯示出對模型的謹慎選擇。目前，深度學習的優勢已被許多研究證實，研究者的重心應放在闡明哪一種深度學習模型可以通過何種方式解決實際的臨床問題上來。

　　綜上所述，最新研究顯示，深度學習在心電圖分析中顯示出巨大潛力，隨著模型不斷的改進、完善、普及和標準化，深度學習模型可在優化心臟疾病的診斷和管理中發揮作用。便攜式心電可穿戴設備和深度學習模型的發展，為各種CVD的早期識別和干預提供了機會。

　　文獻來源：