人工智能心電圖診斷冠心病的研究進(jìn)展

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(dòng),具有無創(chuàng)、便捷、經(jīng)濟(jì)等優(yōu)點(diǎn),是當(dāng)今臨床應(yīng)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(shí)、準(zhǔn)確地判讀心電圖,對冠狀動(dòng)脈(簡稱冠脈)病變的診斷和治療具有重要意義?，F(xiàn)有標(biāo)準(zhǔn)多基于不同導(dǎo)聯(lián)的QRS波群和ST-T改變判斷冠脈病變的性質(zhì)、程度及部位,要求醫(yī)師具有扎實(shí)的專業(yè)知識基礎(chǔ)及豐富的臨床經(jīng)驗(yàn),且心電圖的變化足以被肉眼識別。自20世紀(jì)70年代起,計(jì)算機(jī)自動(dòng)化輔助判讀系統(tǒng)開始用于心電圖機(jī)[2],它可以對采集的心電圖進(jìn)行精確的即時(shí)測量和分析,并出具診斷報(bào)告。但是,該診斷報(bào)告基于人工讀圖的識別模式及預(yù)先定義的規(guī)則,常常無法捕捉到心電圖復(fù)雜而細(xì)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(jì)算機(jī)技術(shù),其應(yīng)用已涉及心血管內(nèi)科的眾多領(lǐng)域,心電圖方面的研究更是熱點(diǎn)之一。與傳統(tǒng)的計(jì)算機(jī)自動(dòng)化輔助判讀系統(tǒng)相比,應(yīng)用人工智能的心電圖分析具有更高的準(zhǔn)確性和工作效率[3]。其實(shí),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(xué)習(xí)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(shí)現(xiàn)診斷價(jià)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(yīng)用于心電圖分析的技術(shù),可輔助醫(yī)生進(jìn)行診斷、鑒別診斷、臨床決策等[6]。機(jī)器學(xué)習(xí)是人工智能的一種實(shí)現(xiàn)方式,通過對樣本數(shù)據(jù)的不斷重復(fù),識別(即“學(xué)習(xí)”)其中隱含的規(guī)律,并將任務(wù)轉(zhuǎn)化為數(shù)學(xué)問題以尋求最優(yōu)解。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)方向,它通過模仿人腦的神經(jīng)元和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),構(gòu)建多層神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)數(shù)據(jù)之間的關(guān)系。常用的深度學(xué)習(xí)算法包括人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)、長短期記憶網(wǎng)絡(luò)(long short-term memory network,LSTM)等。與基于預(yù)先定義的規(guī)則進(jìn)行判讀的心電圖機(jī)輔助系統(tǒng)相比,AI-ECG利用輸入的心電圖及其診斷訓(xùn)練算法,并通過重復(fù)驗(yàn)證自動(dòng)調(diào)整參數(shù),從而達(dá)到更高的診斷效能。

2 人工智能心電圖在冠心病中的應(yīng)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(zhǔn)確率(94.7%),概率神經(jīng)網(wǎng)絡(luò)(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(xùn)練并驗(yàn)證了一個(gè)CNN模型,準(zhǔn)確率分別達(dá)到93.5%和95.2%。此后,多項(xiàng)研究通過增加卷積層數(shù)量、與其他算法相結(jié)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(luò)(bidirectional long short-term memory network,BLSTM)相結(jié)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(jié)合其他數(shù)據(jù)處理方法,將時(shí)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(biāo)準(zhǔn)12導(dǎo)聯(lián)心電圖轉(zhuǎn)化為心電向量圖數(shù)據(jù),再利用相空間重構(gòu)尋找心臟電活動(dòng)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(dá)到92%和96%;在各亞組中,對下壁心肌梗死的識別能力最差,準(zhǔn)確率為73.07%,特異性僅53.84%,可能與造成心電活動(dòng)軌跡改變的其他因素(如纖維化)有關(guān)。STRODTHOFF等[11]利用CNN模型得出了相似的結(jié)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(dǎo)聯(lián)能夠收集到更豐富的信息。此外,相比于僅有目標(biāo)定位診斷的心電圖訓(xùn)練集,包含所有診斷的訓(xùn)練集能使模型達(dá)到更高的工作效能。

目前,冠脈造影術(shù)(coronary angiography,CAG)是明確冠脈病變的金標(biāo)準(zhǔn),但設(shè)備成本、輻射風(fēng)險(xiǎn)及侵入操作等因素限制了其臨床應(yīng)用。近年的研究開始探索應(yīng)用心電圖識別梗死相關(guān)血管的可能性。LE等[12]掃描了紙質(zhì)的標(biāo)準(zhǔn)12導(dǎo)聯(lián)心電圖,通過龐加萊模式集成方法把每個(gè)導(dǎo)聯(lián)的信號時(shí)長擴(kuò)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(shí)間特征的參數(shù)。該研究模仿CAG對累及血管的識別順序設(shè)計(jì)了一個(gè)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(jī)算法判斷梗死相關(guān)血管的平均準(zhǔn)確率超過88%,區(qū)分LAD和LCX的準(zhǔn)確率達(dá)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(gè)將CNN和LSTM相結(jié)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(dá)1.00。確定梗死相關(guān)血管時(shí),模型對LAD較敏感,而區(qū)分LCX和RCA的準(zhǔn)確率略低于醫(yī)師判讀(0.71vs.0.84),可能與訓(xùn)練不足有關(guān)。BOUZID等[14]建立的隨機(jī)森林模型識別LAD、LCX、RCA和其他罪犯血管的AUC值分別達(dá)0.82、0.84、0.85、0.85;該文獻(xiàn)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?shí)世界資料不利于分類模型的訓(xùn)練。

2016年ACHARYA等[15]首次提出了單導(dǎo)聯(lián)心電圖診斷心肌梗死的設(shè)想,其嘗試提取心電圖的多個(gè)非線性特征,用于訓(xùn)練一個(gè)利用標(biāo)準(zhǔn)12導(dǎo)聯(lián)中任一導(dǎo)聯(lián)獨(dú)立檢測心肌梗死的算法。測試中,V5導(dǎo)聯(lián)表現(xiàn)最好,敏感性、特異性分別達(dá)99.45%、96.27%;V3導(dǎo)聯(lián)區(qū)分梗死區(qū)域的平均準(zhǔn)確率可達(dá)98.74%,以檢測下后壁心肌梗死的準(zhǔn)確率最高(99.97%)。GIBSON等[16]利用8511份來自真實(shí)世界的心電圖訓(xùn)練了一個(gè)CNN模型,測試發(fā)現(xiàn)V2導(dǎo)聯(lián)單獨(dú)檢測STEMI的總體效能最高(準(zhǔn)確率90.5%,敏感性86%,特異性94.5%)。以上兩項(xiàng)研究均未發(fā)現(xiàn)導(dǎo)聯(lián)的診斷效能差異與心肌梗死區(qū)域定位的關(guān)系,可能與其不同于人工識圖規(guī)則的復(fù)雜的算法識別原理有關(guān)。CHO等[17]開發(fā)了一種CNN模型,其中內(nèi)嵌的算法可基于6個(gè)肢體導(dǎo)聯(lián)重建6個(gè)胸前導(dǎo)聯(lián)的心電圖圖形,使之識別STEMI的效能與基于標(biāo)準(zhǔn)12導(dǎo)聯(lián)心電圖相當(dāng)(敏感性84.7%vs.83.3%,特異性92.1%vs.96.2%),優(yōu)于僅基于6個(gè)肢體導(dǎo)聯(lián)或心電圖機(jī)自動(dòng)判讀。該模型對LAD、LCX和RCA等梗死相關(guān)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(biāo)準(zhǔn)12導(dǎo)聯(lián)心電圖相比稍低。如將這類算法內(nèi)置于可穿戴或便攜設(shè)備,則有望實(shí)現(xiàn)對高?；颊?糖尿病、非典型胸痛的女性或高齡患者)的遠(yuǎn)程監(jiān)護(hù)。

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(nèi)科最常見的急癥,若未能及時(shí)識別和治療,患者可能發(fā)生猝死等嚴(yán)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(shí)間緊迫等原因,難免有診斷差錯(cuò)發(fā)生[18]。LIU等[19]開發(fā)了一種深度學(xué)習(xí)模型,對STEMI的診斷準(zhǔn)確率高于優(yōu)秀醫(yī)師,敏感性、特異性分別達(dá)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(dá)0.877,結(jié)合心肌肌鈣蛋白I(cardiac troponin I,cTnI)診斷時(shí)AUC值可達(dá)0.978。該團(tuán)隊(duì)基于這一模型開發(fā)了一個(gè)報(bào)警系統(tǒng)AI-S,可在心電圖自動(dòng)上傳的10 s內(nèi)進(jìn)行風(fēng)險(xiǎn)評分,并結(jié)合病史及后續(xù)cTnI、心電圖演變更新評分,及時(shí)提醒值班醫(yī)師關(guān)注高風(fēng)險(xiǎn)患者[20]。該單中心前瞻性隊(duì)列研究證實(shí),AI-S對STEMI的識別準(zhǔn)確率高達(dá)100%,識別NSTEMI的敏感性較低(62.1%),但特異性很高(99.96%)。AI-S的應(yīng)用使獲得心電圖至決定CAG的耗時(shí)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(kuò)張(door-to-balloon,D-to-B)時(shí)間從69 min縮短至61 min。這是AI-ECG首次應(yīng)用于臨床,證明AI-S可以提供快速、準(zhǔn)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(xùn)練ANN模型,以區(qū)分NSTEMI和心絞痛,其敏感性和特異性分別達(dá)到90.91%和93.33%。該研究還提出了9個(gè)與NSTEMI獨(dú)立相關(guān)的預(yù)測因子,分別是心血管危險(xiǎn)因素、血紅蛋白、收縮壓、PR間期、校正的QT間期(QTc)、谷草轉(zhuǎn)氨酶、谷丙轉(zhuǎn)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(duì)列(n=1244)的心電圖進(jìn)行訓(xùn)練及驗(yàn)證,聯(lián)合梯度提升機(jī)、邏輯回歸和ANN三種算法開發(fā)了一個(gè)機(jī)器學(xué)習(xí)模型,其預(yù)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(yù)測NSTEMI的AUC值達(dá)0.78,即便患者隱瞞胸痛病史,也不會(huì)降低其診斷效能。該模型同時(shí)具有較高的陰性預(yù)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(dòng)過速和左心室肥厚。

2.3 慢性冠脈綜合征的評估

多項(xiàng)利用CNN[23]、深度神經(jīng)網(wǎng)絡(luò)[24]及多種算法相結(jié)合[25]的模型,對慢性冠脈綜合征(chronic coronary syndrome,CCS)進(jìn)行了準(zhǔn)確判讀。近年來,數(shù)項(xiàng)研究嘗試進(jìn)一步對CCS累及血管及其病變嚴(yán)重程度進(jìn)行預(yù)測。ALIZADEHSANI等[26]結(jié)合標(biāo)準(zhǔn)12導(dǎo)聯(lián)心電圖、病史、輔助檢查結(jié)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(zhǔn)確率分別達(dá)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(jìn)行測試,其中Inception V3對CCS可達(dá)到0.900±0.012的識別準(zhǔn)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(xùn)練商業(yè)機(jī)器學(xué)習(xí)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(yán)重者為標(biāo)準(zhǔn),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(biāo)準(zhǔn)擴(kuò)大至其他心血管疾病。LIH等[29]訓(xùn)練了一個(gè)CNN-LSTM結(jié)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(dá)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(yàn)證的測試方法,而重復(fù)訓(xùn)練可使模型產(chǎn)生對同一個(gè)體圖像的適應(yīng)性,導(dǎo)致模型的準(zhǔn)確率等性能被高估。近年來,更多研究從真實(shí)世界獲取心電圖等臨床資料,樣本量的擴(kuò)大使模型的訓(xùn)練及評估更為可靠。各醫(yī)療中心所使用的心電圖機(jī)并不統(tǒng)一,采集和處理信號的過程有所不同,可能會(huì)造成心電圖波形的微小差異,影響模型的訓(xùn)練與判讀。此外,心電圖的時(shí)長過短、干擾明顯等采集缺陷,以及復(fù)雜的臨床情況(如合并傳導(dǎo)阻滯、解剖異常)均會(huì)限制模型的訓(xùn)練效果。未來需要臨床醫(yī)師和算法工程師進(jìn)一步加強(qiáng)合作,建立更多高質(zhì)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(shí)現(xiàn)對AI-ECG更全面和深入的探索。

此外,AI-ECG能從復(fù)雜的輸入信息中自動(dòng)提取特征,從而訓(xùn)練為高效的分類機(jī)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(gè)“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(yīng)用。加之現(xiàn)有的AI-ECG研究多為回顧性研究,缺少能夠證實(shí)深度學(xué)習(xí)模型實(shí)際效能的前瞻性研究,尤其是臨床醫(yī)療中的實(shí)踐。因此,AI-ECG的應(yīng)用價(jià)值尚需更多循證醫(yī)學(xué)證據(jù)的支持。

4 小結(jié)

AI-ECG在CAD的診斷與鑒別診斷、心血管風(fēng)險(xiǎn)預(yù)測、臨床決策支持等多個(gè)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(shù)缺陷等問題。隨著這一技術(shù)的迅速發(fā)展及上述問題得到解決,人工智能將會(huì)對CAD的診療產(chǎn)生更加深刻的影響。