作       者：謝冰歆，劉彤

作者單位：天津市心血管病離子與分子機(jī)能重點(diǎn)實(shí)驗(yàn)室，天津醫(yī)科大學(xué)第二醫(yī)院心臟科，天津心臟病學(xué)研究所

作者簡(jiǎn)介：謝冰歆，博士研究生在讀，主要從事房顫和腫瘤心臟病學(xué)的基礎(chǔ)研究。

1

謝冰歆，劉彤.人工智能心電圖診斷模型在心臟瓣膜病識(shí)別中的應(yīng)用[J].實(shí)用心電學(xué)雜志，2023，32(1)：26-29.DOI：10.13308/j.issn.2095-9354.2023.01.005.

XIE Bingxin, LIU Tong.Application of artificial intelligence-enabled ECG diagnostic models in identifying valvular heart diseases[J].Journal of Practical Electrocardiology,2023，32(1)：26-29.DOI：10.13308/j.issn.2095-9354.2023.01.005.

心臟瓣膜?。╲alvular heart disease, VHD）是常見(jiàn)的器質(zhì)性心臟疾病，其發(fā)病率隨著年齡增長(zhǎng)逐年升高。隨著人工智能與醫(yī)學(xué)領(lǐng)域的交叉融合，人工智能算法模型已成為多種心臟疾病的有效識(shí)別工具。人工智能心電圖（artificial intelligence-enabled ECG, AI-ECG）診斷模型通過(guò)對(duì)心電圖特征進(jìn)行分析，可以識(shí)別出VHD患者，未來(lái)可能成為VHD識(shí)別的臨床輔助工具。本文對(duì)AI-ECG診斷模型在VHD識(shí)別中的研究進(jìn)展進(jìn)行綜述。

人工智能；心電圖；心臟瓣膜?。恢鲃?dòng)脈瓣狹窄；主動(dòng)脈瓣關(guān)閉不全；二尖瓣關(guān)閉不全

      心臟瓣膜病（valvular heart disease, VHD）是一種常見(jiàn)的器質(zhì)性心臟疾病，可累及一個(gè)或多個(gè)心臟瓣膜，破壞其解剖結(jié)構(gòu)的完整性，導(dǎo)致瓣膜狹窄、關(guān)閉不全或二者合并存在。大規(guī)模人群研究顯示，VHD發(fā)病率約2.5%；隨著人口老齡化程度的加劇，老年心臟退行性瓣膜病變及功能性瓣膜病變發(fā)病率逐年升高，<65歲人群VHD發(fā)病率低于2%，65~75歲人群發(fā)病率為8.5%，>75歲人群發(fā)病率為13.2%。VHD患者一旦出現(xiàn)臨床癥狀，尤其是合并心功能不全時(shí)，常導(dǎo)致不良臨床結(jié)局，因此，及時(shí)準(zhǔn)確的診斷對(duì)延緩VHD進(jìn)展、降低VHD相關(guān)死亡率有重大意義。目前，VHD篩查主要依賴聽(tīng)診和心臟超聲檢查，雖然指南推薦以心臟瓣膜CT、心導(dǎo)管和心臟磁共振檢查評(píng)估VHD，但這些方法不適用于大規(guī)模篩查，因此，探索更簡(jiǎn)便、靈敏的VHD篩查工具十分必要。

      近年來(lái)，人工智能在醫(yī)療領(lǐng)域的研究和運(yùn)用逐漸增多，廣泛應(yīng)用于多種疾病的診斷及預(yù)后評(píng)估。一項(xiàng)多中心前瞻性隊(duì)列研究利用心電圖特征，建立了可識(shí)別VHD的人工智能診斷模型，發(fā)現(xiàn)該模型識(shí)別中重度VHD患者的準(zhǔn)確率達(dá)91.9%。目前通過(guò)利用人工智能對(duì)心電圖特征進(jìn)行學(xué)習(xí)，已開(kāi)發(fā)出針對(duì)主動(dòng)脈瓣狹窄（aortic valvular stenosis, AVS）、主動(dòng)脈瓣關(guān)閉不全(aortic regurgitation,AR)及二尖瓣關(guān)閉不全(mitral insufficiency,MI)識(shí)別的人工智能心電圖（artificial intelligence-enabled ECG，AI-ECG）診斷模型，但在二尖瓣狹窄、三尖瓣狹窄及三尖瓣關(guān)閉不全等VHD中的應(yīng)用仍是空白。本文結(jié)合近年來(lái)的文獻(xiàn)報(bào)道，對(duì)AI-ECG診斷模型在VHD識(shí)別領(lǐng)域的研究進(jìn)展進(jìn)行綜述。

機(jī)器學(xué)習(xí)用于心血管疾病的識(shí)別

      人工智能可以智能感知周圍環(huán)境、模仿并演示人類的認(rèn)知行為功能，如學(xué)習(xí)和解決問(wèn)題。機(jī)器學(xué)習(xí)是人工智能的一個(gè)領(lǐng)域，其通過(guò)構(gòu)建數(shù)學(xué)模型并進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)未知數(shù)據(jù)屬性的預(yù)測(cè)。心電信號(hào)可被機(jī)器學(xué)習(xí)轉(zhuǎn)換為固定采樣頻率下的時(shí)間序列，每個(gè)樣本都代表給定時(shí)間點(diǎn)的信號(hào)幅度；將采樣后數(shù)據(jù)輸入函數(shù)進(jìn)行學(xué)習(xí)，就能識(shí)別心電圖特征。大量研究表明，AI-ECG可識(shí)別多種心血管疾病，包括房顫、心力衰竭、肥厚型心肌病、離子通道病等。ULLOA-CERNA等成功構(gòu)建了機(jī)器學(xué)習(xí)模型，用以識(shí)別未經(jīng)診斷的結(jié)構(gòu)性心臟病高危人群，敏感性達(dá)90%。ATTIA等使用竇性心律患者和陣發(fā)性房顫患者心電圖訓(xùn)練AI-ECG診斷模型，結(jié)果顯示其能夠準(zhǔn)確識(shí)別陣發(fā)性房顫（準(zhǔn)確率79.4%，AUC值0.87）。多項(xiàng)研究表明，AI-ECG在長(zhǎng)QT綜合征、兒茶酚胺敏感性多形性室速等遺傳性心律失常的診斷中也有較好的應(yīng)用效果。CHO等基于AI-ECG建立的模型可識(shí)別射血分?jǐn)?shù)降低的心力衰竭；該研究還顯示，此類疾病不僅可以使用 12 導(dǎo)聯(lián)心電圖進(jìn)行篩查，還能應(yīng)用嵌入可穿戴設(shè)備的單導(dǎo)聯(lián)心電圖結(jié)合該模型進(jìn)行篩查。

人工智能心電圖診斷模型用于心臟瓣膜病的早期識(shí)別

      OxVALVE研究發(fā)現(xiàn)，約50.8%的>65歲的無(wú)癥狀人群存在VHD（主要是輕微的），其中6.4%為中重度VHD。這一數(shù)據(jù)遠(yuǎn)高于既往流行病學(xué)數(shù)據(jù)，提示目前對(duì)于無(wú)癥狀VHD的早期篩查和診斷可能存在不足。

      部分研究發(fā)現(xiàn)，AI-ECG模型也可應(yīng)用于VHD的早期篩查。2021年美國(guó)梅奧診所SHELLY等開(kāi)發(fā)出了可識(shí)別AVS的AI-ECG模型，對(duì)99 093例（96.3%）心臟超聲陰性的AVS患者的心電圖進(jìn)行識(shí)別，檢出8 474例AVS的假陽(yáng)性患者；經(jīng)15年隨訪發(fā)現(xiàn)，約22%假陽(yáng)性患者出現(xiàn)超聲確診的AVS，其中15%為輕度狹窄；假陽(yáng)性患者發(fā)生中重度AVS的風(fēng)險(xiǎn)幾乎是AI-ECG診斷為真陰性患者的2倍（HR=2.18, 95% CI 1.90~2.50；P<0.01）。KWON等利用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）識(shí)別MI患者，對(duì)納入的3 978例患者進(jìn)行心臟超聲隨訪（其中3 157例經(jīng)心臟超聲初篩為非MI），結(jié)果發(fā)現(xiàn)在27個(gè)月內(nèi)，有218例出現(xiàn)MI；相較于低?；颊?，經(jīng)AI-ECG診斷模型識(shí)別為高危的患者M(jìn)I發(fā)生率更高（2.6% vs.13.9%，P<0.01）。

      雖然已有部分AI-ECG診斷模型能預(yù)測(cè)無(wú)癥狀人群中的VHD，但目前的數(shù)據(jù)仍然不足以說(shuō)明其能早期準(zhǔn)確識(shí)別VHD，尚待積累更多的循證醫(yī)學(xué)證據(jù)，對(duì)其早期識(shí)別能力進(jìn)行驗(yàn)證。

人工智能心電圖診斷模型識(shí)別各類心臟瓣膜病

3.1  識(shí)別主動(dòng)脈瓣狹窄

      AVS通常會(huì)在心臟收縮期出現(xiàn)特征性的心臟雜音，僅有62%的無(wú)癥狀A(yù)VS患者有心臟雜音，而能否準(zhǔn)確判斷心臟雜音與醫(yī)生的聽(tīng)診技巧、雜音等級(jí)密切相關(guān)，約41.6%的患者在出現(xiàn)乏力、呼吸困難、心絞痛、暈厥等癥狀后才會(huì)就醫(yī)，因此要識(shí)別AVS存在難度，臨床亟需開(kāi)發(fā)出一種新的、簡(jiǎn)便的輔助識(shí)別工具。

      2020年，HATA等納入3 513例AVS患者，對(duì)其3個(gè)月內(nèi)的心臟超聲和心電圖數(shù)據(jù)進(jìn)行人工智能深度學(xué)習(xí)；使用經(jīng)預(yù)處理的心電數(shù)據(jù)訓(xùn)練CNN，隨后將未知心電圖數(shù)據(jù)輸入該CNN模型，以檢測(cè)其對(duì)AVS的預(yù)測(cè)能力；在分析階段，使用梯度加權(quán)類激活映射技術(shù)(gradient-weighted class activation map，Grad-CAM)對(duì)CNN輸出的預(yù)測(cè)結(jié)果進(jìn)行分析，并將分析結(jié)果反饋給訓(xùn)練階段的CNN模型，以進(jìn)一步優(yōu)化算法。通過(guò)對(duì)12導(dǎo)聯(lián)和4導(dǎo)聯(lián)單次心搏心電圖特征進(jìn)行學(xué)習(xí)，該研究發(fā)現(xiàn)基于12導(dǎo)聯(lián)、4導(dǎo)聯(lián)心電圖判斷AVS的準(zhǔn)確率分別為79.5%、77.3%。通過(guò)對(duì)準(zhǔn)確率、精度等診斷效能評(píng)估指標(biāo)進(jìn)行分析發(fā)現(xiàn)，12導(dǎo)聯(lián)心電圖在該模型中的診斷效能優(yōu)于4導(dǎo)聯(lián)心電圖。此外，該研究還發(fā)現(xiàn)ST-T改變對(duì)AVS診斷意義重大：將采集信號(hào)的時(shí)間范圍限定于ST-T特征區(qū)域，可明顯提高識(shí)別AVS的準(zhǔn)確率。SHELLY等使用263 570例患者的12導(dǎo)聯(lián)心電圖數(shù)據(jù)對(duì)CNN模型進(jìn)行訓(xùn)練，以識(shí)別中重度AVS，其敏感性、特異性和準(zhǔn)確率分別為78%、75%和75%。這與HATA等的研究結(jié)果基本一致。在最新的研究中，SHELLY等再次利用標(biāo)準(zhǔn)12導(dǎo)聯(lián)心電圖建立CNN模型來(lái)識(shí)別中重度AVS患者。該模型以空間為第一維度、時(shí)間為第二維度，具體包含62個(gè)卷積層和1個(gè)分類層，其在驗(yàn)證組中敏感性、特異性和準(zhǔn)確率分別為78%、74%和74%；隨著患者年齡增長(zhǎng)，其通過(guò)心電圖識(shí)別AVS的敏感性升高，特異性降低，并且相較于男性，其在女性患者中的敏感性更低（78.8% vs. 77.2%），特異性更高（71.8% vs. 77.1%）。隨后，該團(tuán)隊(duì)通過(guò)增加年齡和性別參數(shù)，將該模型識(shí)別無(wú)高血壓AVS患者的AUC值提高至0.90。

      AVS是一種嚴(yán)重的VHD，即便經(jīng)驗(yàn)豐富的醫(yī)生也很難通過(guò)心電圖診斷。上述研究表明，此類AI-ECG診斷模型對(duì)AVS具有較強(qiáng)的識(shí)別能力。VHD通常合并各類心律失常，但上述研究中僅排除起搏器心電圖，并未排除其他類型心律失常心電圖。由于心律失常可能是算法識(shí)別VHD的一個(gè)重要參數(shù)，因此未來(lái)研究中應(yīng)考慮納入心律失常心電圖。

3.2  識(shí)別主動(dòng)脈瓣關(guān)閉不全

      AR是主動(dòng)脈瓣或主動(dòng)脈根部異常導(dǎo)致收縮期血液從主動(dòng)脈反流至左心室的疾病。Framingham研究結(jié)果顯示，AR發(fā)病率為4.9%，中重度AR發(fā)病率約0.5%；隨著年齡的增長(zhǎng)，其發(fā)病率升高，嚴(yán)重程度加重。一項(xiàng)英國(guó)社區(qū)隊(duì)列研究納入了≥65歲且既往未診斷為VHD的患者，其中1.65%的無(wú)癥狀人群中篩查出中重度AR，而這類患者保守治療的10年死亡率為34%±5%。因此，及早診斷和定期監(jiān)測(cè)AR進(jìn)展十分重要。

      2022年日本東京大學(xué)SAWANO等開(kāi)發(fā)出利用體表心電圖診斷AR的多輸入型神經(jīng)網(wǎng)絡(luò)模型，對(duì)是否存在房顫、QRS持續(xù)時(shí)間、QT間期、QRS軸、P波電軸、S_V1+R_V5電壓等心電圖特征進(jìn)行分析，發(fā)現(xiàn)該模型在AR識(shí)別中的AUC值顯著高于其他類型的機(jī)器學(xué)習(xí)模型；無(wú)房顫信息的多輸入模型AUC值明顯低于有房顫信息的模型，這表明房顫信息在該模型決策過(guò)程中起重要作用。通過(guò)Grad-CAM分析，發(fā)現(xiàn)該模型傾向于基于Ⅰ、aVL導(dǎo)聯(lián)QRS波群特征識(shí)別AR。該模型在AR的預(yù)測(cè)中有一定價(jià)值，可作為簡(jiǎn)便的AR篩查輔助工具。

3.3  識(shí)別二尖瓣關(guān)閉不全

      MI是發(fā)達(dá)國(guó)家常見(jiàn)的VHD，全球約有2 420萬(wàn)例患者，普通人群MI發(fā)病率為1.7%，但在>70歲人群中發(fā)病率約10%，其中繼發(fā)性MI占中重度患者的65%。一項(xiàng)多中心回顧性隊(duì)列研究使用CNN模型識(shí)別中重度MI患者。通過(guò)第一層CNN對(duì)心電數(shù)據(jù)進(jìn)行運(yùn)算輸出后，在Max Pooling層減小數(shù)據(jù)量，在最后一層CNN進(jìn)行濾波數(shù)據(jù)處理后，通過(guò)平滑層進(jìn)入全連接層識(shí)別MI。該算法通過(guò)對(duì)患者標(biāo)準(zhǔn)12導(dǎo)聯(lián)心電圖的分析，在內(nèi)外部驗(yàn)證集中檢測(cè)出MI的AUC值分別為0.816和0.877；使用算法對(duì)患者單導(dǎo)聯(lián)心電圖進(jìn)行分析，診斷MI的AUC值分別為0.758和0.850。該人工智能算法對(duì)心電圖分析得到的敏感區(qū)域圖表明，其主要采集MI患者的P波、T波數(shù)據(jù)及非MI患者的QRS波離散度數(shù)據(jù)。該研究對(duì)算法抓取的心電圖重要數(shù)據(jù)采集區(qū)域進(jìn)行敏感區(qū)域圖分析，并將其可視化呈現(xiàn)，增加了算法的透明度。通過(guò)人工智能算法對(duì)心電圖關(guān)鍵區(qū)域進(jìn)行分析，提高了MI檢出率，有助于識(shí)別高風(fēng)險(xiǎn)患者。

小結(jié)

      隨著人工智能技術(shù)的不斷發(fā)展，各類相關(guān)技術(shù)逐漸應(yīng)用于醫(yī)療保健領(lǐng)域，從心率監(jiān)測(cè)手環(huán)到體外3D打印器官模型等技術(shù)層出不窮。心電圖作為一種廣泛普及、簡(jiǎn)便易得、無(wú)創(chuàng)低廉的心臟檢查手段，其功能早已不再局限于心律失常和心肌缺血的診斷。研究者使用經(jīng)心臟超聲確診為VHD的患者心電圖，對(duì)人工智能算法診斷模型進(jìn)行訓(xùn)練和優(yōu)化，再在外推驗(yàn)證集（包含非VHD的心電圖數(shù)據(jù)集）中驗(yàn)證其診斷效能，均證實(shí)了此類模型可能成為未來(lái)診斷VHD的重要輔助手段，有助于在心臟超聲技術(shù)未普及應(yīng)用的地區(qū)或體檢等大規(guī)模人群篩查中識(shí)別潛在的VHD患者，助力臨床診療，提示對(duì)患者行進(jìn)一步檢查以明確診斷、及早治療。