基于心電圖的機(jī)器學(xué)習(xí)在心血管疾病預(yù)測(cè)中的應(yīng)用進(jìn)展

王蕾 黨時(shí)鵬 王如興

作為21世紀(jì)尖端技術(shù)之一的人工智能,主要是以計(jì)算機(jī)為基礎(chǔ)來(lái)模擬人的某些思維過程和智能行為,如學(xué)習(xí)、推理、規(guī)劃和思考等。人工智能可對(duì)復(fù)雜模式和大量數(shù)據(jù)進(jìn)行分析和分類,其表現(xiàn)出的潛力甚至超出了人類可直接解釋的范圍[1]。該領(lǐng)域的研究?jī)?nèi)容包括機(jī)器人、專家系統(tǒng)、機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、自然語(yǔ)言處理等。目前,人工智能在醫(yī)療健康行業(yè)的應(yīng)用已非常廣泛,應(yīng)用場(chǎng)景主要涉及智能診療、虛擬助理、醫(yī)學(xué)影像、可穿戴設(shè)備、急救室/住院管理、電子健康病歷管理等多個(gè)領(lǐng)域[2]。機(jī)器學(xué)習(xí)是當(dāng)前實(shí)現(xiàn)人工智能的主要技術(shù)手段,任何通過數(shù)據(jù)訓(xùn)練的學(xué)習(xí)算法都可歸于機(jī)器學(xué)習(xí),其中最熱門的一個(gè)分支——深度學(xué)習(xí)更是在醫(yī)學(xué)圖像分析預(yù)測(cè)方面展示了巨大的潛力。本文主要綜述基于心電圖的機(jī)器學(xué)習(xí)在預(yù)測(cè)心血管疾病方面的應(yīng)用進(jìn)展。

1 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)

作為實(shí)現(xiàn)人工智能的主要方法之一,機(jī)器學(xué)習(xí)通常利用大量數(shù)據(jù),通過算法來(lái)構(gòu)建模型,隨后對(duì)模型性能進(jìn)行評(píng)估;如果評(píng)估指標(biāo)達(dá)到要求,則采用該模型,否則需要調(diào)整算法并重新搭建模型,直至達(dá)到目標(biāo)[3]。機(jī)器學(xué)習(xí)能夠識(shí)別非線性關(guān)系和多個(gè)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(jī)等[4]。傳統(tǒng)的機(jī)器學(xué)習(xí)算法主要通過人工提取特征來(lái)去除不相關(guān)數(shù)據(jù)和冗余數(shù)據(jù),從而提高機(jī)器學(xué)習(xí)效率和增強(qiáng)結(jié)果的可解釋性。對(duì)于一些較復(fù)雜的問題,需要對(duì)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(fù)摸索,花費(fèi)很多的時(shí)間和精力。隨著大數(shù)據(jù)時(shí)代的來(lái)臨,各領(lǐng)域數(shù)據(jù)總量、數(shù)據(jù)維數(shù)和特征數(shù)顯著增加,現(xiàn)有處理方法遇到很大挑戰(zhàn),這就需要搭建更復(fù)雜的模型以代替人工尋找特征。作為機(jī)器學(xué)習(xí)的一個(gè)重要分支,深度學(xué)習(xí)不需要人工提取特征,它使用深層神經(jīng)網(wǎng)絡(luò)作為模型,除了可以自動(dòng)學(xué)習(xí)特征和任務(wù)之間的關(guān)聯(lián)以外,還能從原始數(shù)據(jù)自動(dòng)獲得抽象特征,將簡(jiǎn)單的特征組合成更加復(fù)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(xué)習(xí)具有強(qiáng)大的運(yùn)算能力,并能對(duì)復(fù)雜的原始大規(guī)模數(shù)據(jù)集進(jìn)行學(xué)習(xí),從而做出有效決策,可達(dá)到甚至超出人腦的決策效果[5]。常見的深度學(xué)習(xí)模型有卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)和深度信任網(wǎng)絡(luò)等,其中CNN在醫(yī)學(xué)圖像處理方面的性能表現(xiàn)尤為突出[6]。

2 機(jī)器學(xué)習(xí)在心電圖分類診斷中的應(yīng)用

心電圖是從體表記錄心臟電活動(dòng)的臨床工具,是一種診斷心臟疾病的重要非侵入性技術(shù)[7-8]。早在20世紀(jì)70年代,機(jī)器學(xué)習(xí)便被用于心電圖的自動(dòng)分析。機(jī)器學(xué)習(xí)利用算法構(gòu)建模型,從大量心電圖像中學(xué)習(xí)并提取特征,從而進(jìn)行自動(dòng)診斷。近年來(lái)隨著大型專家釋義的心電圖數(shù)據(jù)庫(kù)、創(chuàng)新算法和擁有強(qiáng)大計(jì)算能力的計(jì)算機(jī)的應(yīng)用,心電圖的自動(dòng)診斷越來(lái)越準(zhǔn)確[2]。機(jī)器學(xué)習(xí)可識(shí)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(shí)別P波、QRS波的形態(tài)和振幅異常,從而診斷心房擴(kuò)大和心室肥厚;還可通過識(shí)別異常和不規(guī)律心跳進(jìn)行心律分類,從而實(shí)現(xiàn)各種心律失常的自動(dòng)診斷[5,9]。多種機(jī)器學(xué)習(xí)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(jī)、隨機(jī)森林、貝葉斯網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)等。不同算法對(duì)心電圖分類的準(zhǔn)確性雖存在差異,但普遍可達(dá)95%～99%[1,9]。

3 機(jī)器學(xué)習(xí)用于常見心血管疾病的預(yù)測(cè)

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(jù)此直接診斷。目前有研究表明,機(jī)器學(xué)習(xí)通過對(duì)大量正?；蚪咏５男碾妶D進(jìn)行分析、學(xué)習(xí)并提取特征,能對(duì)人工不能直接診斷的或?qū)⒁l(fā)生的心血管疾病進(jìn)行預(yù)測(cè),主要表現(xiàn)在以下幾個(gè)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(yùn)重建手術(shù)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(zhǔn)確判斷其是否需要行急診血運(yùn)重建術(shù)。GOTO等[10]采用一維卷積層和雙向長(zhǎng)短期記憶層構(gòu)成的模型處理時(shí)間序列心電數(shù)據(jù),能檢測(cè)到醫(yī)生無(wú)法識(shí)別卻實(shí)際存在的特定心電圖特征,從而篩選出需要行急診血運(yùn)重建的患者,預(yù)測(cè)準(zhǔn)確率達(dá)到83%,敏感性和特異性分別為79%和87%。AL-ZAITI等[11]從12導(dǎo)聯(lián)心電圖中提取了554個(gè)時(shí)間-空間特征,利用Logistic回歸、梯度增強(qiáng)機(jī)和人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)訓(xùn)練模型,排除最不可能與急性心肌缺血發(fā)病機(jī)制有關(guān)聯(lián)的心電圖特征,最終獲得65個(gè)有臨床意義的心電圖特征以預(yù)測(cè)ACS,最終融合模型識(shí)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(jīng)驗(yàn)豐富的臨床醫(yī)生提高37%,這是第一個(gè)僅使用院前12導(dǎo)聯(lián)心電圖數(shù)據(jù)搭建機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)ACS的研究。對(duì)于急性NSTEMI與非心源性胸痛的分層,目前尚無(wú)有效手段。WU等[12]采用ANN模型來(lái)預(yù)測(cè)急性NSTEMI患者,通過文獻(xiàn)搜索排查出42條潛在的預(yù)后因素來(lái)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(duì)上述預(yù)后因素進(jìn)行分析,確定了收縮壓、校正QT間期、血紅蛋白等9個(gè)與急性NSTEMI獨(dú)立相關(guān)的預(yù)測(cè)因子作為ANN模型的輸入層,輸出層主要預(yù)測(cè)急性NSTEMI和心絞痛,準(zhǔn)確率可達(dá)92.86%,敏感性為90.91%,特異性為93.33%,陽(yáng)性預(yù)測(cè)值為76.92%,陰性預(yù)測(cè)值為97.67%。SONG等[13]針對(duì)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(fēng)險(xiǎn)相關(guān)卻無(wú)法利用HRV準(zhǔn)確預(yù)測(cè)死亡的問題,采用一種基于支持向量機(jī)算法的預(yù)測(cè)模型分析24 h動(dòng)態(tài)心電圖數(shù)據(jù),研究自主神經(jīng)功能障礙和AMI死亡率之間的關(guān)系,從而更準(zhǔn)確地預(yù)測(cè)高危AMI患者,提升AMI后的生存風(fēng)險(xiǎn)分層準(zhǔn)確性,曲線下面積可達(dá)0.89。由此可見,機(jī)器學(xué)習(xí)能準(zhǔn)確預(yù)測(cè)和篩查冠心病高?；颊?使之及時(shí)得到適當(dāng)?shù)呐R床處置,有助于改善患者預(yù)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(jiǎn)稱心衰)和死亡相關(guān)。部分陣發(fā)性房顫難以發(fā)現(xiàn)或確診,而長(zhǎng)時(shí)間監(jiān)測(cè)不僅篩選成本較高,而且陽(yáng)性率較低。ERDENEBAYAR等[14]利用CNN算法,僅需分析正常心電圖信號(hào)即可實(shí)現(xiàn)陣發(fā)性房顫的自動(dòng)預(yù)測(cè)。該模型的準(zhǔn)確率、敏感性和特異性均可達(dá)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(biāo)準(zhǔn)10 s的12導(dǎo)聯(lián)心電圖,將以往心電圖診斷為房顫或心房撲動(dòng)的患者列為房顫陽(yáng)性對(duì)照組,評(píng)估模型在測(cè)試數(shù)據(jù)集上的診斷效能,得出人工智能使用單次心電圖預(yù)測(cè)房顫的準(zhǔn)確率、敏感性和特異性均達(dá)79%以上;而采用患者發(fā)生房顫前一個(gè)月內(nèi)的竇性心律心電圖預(yù)測(cè)房顫的準(zhǔn)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(zhǎng)時(shí)程心電信號(hào),發(fā)現(xiàn)通過識(shí)別心電圖中的房性早搏可以預(yù)測(cè)房顫;如果樣本數(shù)量較少、數(shù)據(jù)高度不平衡,則該方法仍能獲得較好的房顫預(yù)測(cè)效果。EBRAHIMZADEH等[17]使用機(jī)器學(xué)習(xí)對(duì)HRV進(jìn)行線性、時(shí)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(jìn)行特征簡(jiǎn)化,再使用K最近鄰、支持向量機(jī)、多層感知器和混合專家4種分類器分別對(duì)陣發(fā)性房顫發(fā)病前后的心電信號(hào)進(jìn)行分類,以實(shí)現(xiàn)對(duì)陣發(fā)性房顫的預(yù)測(cè);結(jié)果表明,采用混合專家分類方法能夠?qū)Σ煌^程的輸出進(jìn)行準(zhǔn)確決策,分類精度更高,預(yù)測(cè)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(lái)是否會(huì)出現(xiàn)房顫,以及房顫是否會(huì)自動(dòng)終止,提出了一種根據(jù)正常心電圖預(yù)測(cè)房顫發(fā)生和終止的軟件系統(tǒng)。該系統(tǒng)通過檢測(cè)早搏并分析其P波形態(tài)來(lái)預(yù)測(cè)房顫的發(fā)生,以計(jì)算主要心房頻率為基礎(chǔ)來(lái)預(yù)測(cè)房顫的終止,準(zhǔn)確率可達(dá)75%。此外,CHESNOKOV等[19]通過提取心電圖中的HRV數(shù)據(jù),利用ANN和支持向量機(jī)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(dòng)態(tài)變化,并據(jù)此預(yù)測(cè)陣發(fā)性房顫;與支持向量機(jī)算法相比,ANN預(yù)測(cè)陣發(fā)性房顫的敏感性、特異性和陽(yáng)性預(yù)測(cè)值更高。

陣發(fā)性室上性心動(dòng)過速(簡(jiǎn)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(zhì)量下降。當(dāng)患者在無(wú)癥狀時(shí)的竇性心律狀態(tài)下,醫(yī)生無(wú)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(shù)患者術(shù)前竇性心律心電圖和正常對(duì)照人群的標(biāo)準(zhǔn)12導(dǎo)聯(lián)竇性心律心電圖訓(xùn)練CNN模型;結(jié)果顯示該CNN算法可以通過正常竇性心律心電圖進(jìn)行陣發(fā)性室上速的檢測(cè),總體準(zhǔn)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(dòng)的除顫成功率通常并不高。SHANDILYA等[21]針對(duì)該問題開發(fā)了一種基于信號(hào)處理和機(jī)器學(xué)習(xí)的模型,可用于預(yù)測(cè)心室顫動(dòng)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(hào),采用時(shí)間序列和二元樹復(fù)小波變換方法,提取心電數(shù)據(jù)和呼氣末二氧化碳數(shù)據(jù)特征,訓(xùn)練參數(shù)優(yōu)化的支持向量機(jī)模型,其預(yù)測(cè)除顫成功率的準(zhǔn)確性較高。

3.3 心力衰竭

針對(duì)醫(yī)療機(jī)構(gòu)還不具備廉價(jià)且無(wú)創(chuàng)的無(wú)癥狀左心室功能不全篩查工具的現(xiàn)狀,ATTIA等[22]將12導(dǎo)聯(lián)心電圖和超聲心動(dòng)圖測(cè)得的左心室射血分?jǐn)?shù)(LVEF)≤35%的患者數(shù)據(jù)進(jìn)行配對(duì),然后訓(xùn)練一個(gè)CNN模型,從而在無(wú)癥狀個(gè)體中僅基于心電圖數(shù)據(jù)就可準(zhǔn)確預(yù)測(cè)左心室功能障礙患者,敏感性可達(dá)86.3%,特異性和準(zhǔn)確率均為85.7%。同樣地,為了識(shí)別更多潛在的左心室功能障礙患者并使其得到及時(shí)干預(yù),SUN等[23]將12導(dǎo)聯(lián)心電圖和超聲心動(dòng)圖測(cè)得LVEF≤50%的患者數(shù)據(jù)進(jìn)行配對(duì),使用CNN LeNet-5框架來(lái)提取原始心電數(shù)據(jù)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(xué)習(xí)算法對(duì)近期經(jīng)超聲心動(dòng)圖評(píng)估存在左心室功能障礙和無(wú)左心室功能障礙患者的常規(guī)12導(dǎo)聯(lián)心電圖進(jìn)行分析,可以識(shí)別出無(wú)癥狀的左心室功能障礙患者。此外,KWON等[25]將人口學(xué)特征和心電圖特征作為預(yù)測(cè)變量,設(shè)定主要的終點(diǎn)事件是LVEF≤40%的心衰,次要終點(diǎn)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(huì)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(dòng)圖檢測(cè)前精準(zhǔn)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(jī)構(gòu)中開展了一項(xiàng)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(hào)與10個(gè)基礎(chǔ)臨床特征相結(jié)合作為機(jī)器學(xué)習(xí)回歸模型的輸入,并參考超聲心動(dòng)圖測(cè)量的左心室舒張?jiān)缙谒俣葦?shù)值來(lái)評(píng)估心肌舒張功能。該方法能夠較好地預(yù)測(cè)左心室舒張功能障礙,有望成為早期檢測(cè)左心室舒張功能障礙的一種經(jīng)濟(jì)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(huì)存在心肌舒張受損,利用連續(xù)小波變換對(duì)心電信號(hào)進(jìn)行預(yù)處理,選用隨機(jī)森林分類器和蒙特卡羅交叉驗(yàn)證對(duì)心電信號(hào)進(jìn)行分類預(yù)測(cè),實(shí)現(xiàn)了基于體表心電圖信號(hào)對(duì)心肌舒張異常的預(yù)測(cè),從而識(shí)別出有左心室舒張功能障礙風(fēng)險(xiǎn)的患者。因此,機(jī)器學(xué)習(xí)算法可以通過心電圖預(yù)測(cè)射血分?jǐn)?shù)下降或保留的心衰患者。

3.4 結(jié)構(gòu)性心臟病

為有效識(shí)別無(wú)癥狀期的主動(dòng)脈狹窄患者,KWON等[29]以患者基本信息和12導(dǎo)聯(lián)心電圖原始數(shù)據(jù)作為預(yù)測(cè)變量,開發(fā)了一種結(jié)合多層感知器和CNN的深度學(xué)習(xí)算法模型,可有效識(shí)別和預(yù)測(cè)顯著性主動(dòng)脈狹窄;同時(shí)采用靈敏度圖確定模型在心電圖中識(shí)別主動(dòng)脈狹窄的心電區(qū)域,發(fā)現(xiàn)胸導(dǎo)聯(lián)T波區(qū)域?qū)τ谀Ｐ蜎Q策影響最大。KWON等[30]還使用CNN模型對(duì)12導(dǎo)聯(lián)心電圖進(jìn)行學(xué)習(xí),以識(shí)別和預(yù)測(cè)二尖瓣反流的進(jìn)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(shí)別二尖瓣反流進(jìn)展的重要決策區(qū)域。

心電圖是預(yù)測(cè)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(jī)器學(xué)習(xí)C5.0算法,使心電圖預(yù)測(cè)左心室肥厚的效能得到優(yōu)化。該算法使用高度相關(guān)的心電圖特征并提供適當(dāng)?shù)慕刂怪?使得整個(gè)模型的內(nèi)在特征具有高度可解釋性,并包含了具有預(yù)后預(yù)測(cè)價(jià)值的變量,也為肥厚心肌的電發(fā)生機(jī)制提供了合理解釋。左心房增大本身無(wú)癥狀和體征,但能獨(dú)立預(yù)測(cè)多種心血管疾病的發(fā)展。為更好地預(yù)測(cè)患者是否存在左心房增大,JIANG等[32]選取已同時(shí)進(jìn)行10 s的12導(dǎo)聯(lián)心電圖和超聲心動(dòng)圖檢查的65歲以上老年人為研究對(duì)象,搭建并訓(xùn)練CNN模型在心電圖正?；颊咧凶R(shí)別存在左心房增大的患者;該CNN模型能根據(jù)竇性心律心電圖識(shí)別出極有可能存在左心房增大的個(gè)體,其預(yù)測(cè)表現(xiàn)良好,敏感性為84.0%、特異性為92.0%、準(zhǔn)確率為88.0%。針對(duì)心肌瘢痕對(duì)心電圖有影響卻不易被發(fā)現(xiàn)的問題,GUMPFER等[33]利用CNN與全連接前饋網(wǎng)絡(luò)模型開發(fā)了一種心肌瘢痕預(yù)測(cè)模型,基于12導(dǎo)聯(lián)心電圖時(shí)間序列數(shù)據(jù)集和臨床參數(shù),采用6倍交叉驗(yàn)證進(jìn)行模型訓(xùn)練和評(píng)估。該模型直接利用心電圖數(shù)據(jù)和臨床參數(shù),無(wú)須預(yù)提取任何特征即可進(jìn)行心肌瘢痕的有效預(yù)測(cè),臨床應(yīng)用簡(jiǎn)單靈活;如能補(bǔ)充臨床參數(shù)信息,還能進(jìn)一步提高其預(yù)測(cè)性能。

3.5 高血壓

心電圖信號(hào)可用于血壓的估計(jì)和預(yù)測(cè)。SIMJANOSKA等[34]通過對(duì)原始心電數(shù)據(jù)進(jìn)行濾波與分割以提取特征,采用機(jī)器學(xué)習(xí)方法,結(jié)合基于堆疊的分類模塊和回歸模塊,建立了關(guān)于收縮壓、舒張壓和平均動(dòng)脈壓的預(yù)測(cè)模型,以便有心電傳感器的用戶不使用額外設(shè)備即可測(cè)量血壓。LANDRY等[35]利用ANN構(gòu)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(hào)預(yù)測(cè)血壓波形,準(zhǔn)確估計(jì)患者的收縮壓和舒張壓,而且還可連續(xù)監(jiān)測(cè)血壓,并估算其他生理測(cè)量值。

3.6 心臟性猝死

全球每年有數(shù)百萬(wàn)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(yù)測(cè)難等特點(diǎn);如果能及時(shí)識(shí)別或預(yù)測(cè),并使用除顫器等醫(yī)療設(shè)備,則能減少由SCD引起的死亡。SCD患者HRV信號(hào)在其SCD發(fā)生前后具有明顯特征,可據(jù)此區(qū)分SCD易發(fā)患者和正常人群。EBRAHIMZADEH等[36]從HRV信號(hào)中提取線性、時(shí)頻和非線性特征,分別利用K最近鄰和多層感知器神經(jīng)網(wǎng)絡(luò)對(duì)健康人群和SCD風(fēng)險(xiǎn)人群進(jìn)行分類。該研究發(fā)現(xiàn),提取特征的類型和時(shí)間點(diǎn)不同,其對(duì)應(yīng)的SCD預(yù)測(cè)準(zhǔn)確率也不同,而將時(shí)頻特征和非線性特征相結(jié)合可以獲得更高的精度。距SCD發(fā)生的時(shí)間間隔越短,組合特征對(duì)SCD的預(yù)測(cè)準(zhǔn)確率就越高;在SCD發(fā)生前第4 min往后,SCD的預(yù)測(cè)準(zhǔn)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(jīng)網(wǎng)絡(luò)識(shí)別SCD性能更高,可協(xié)助醫(yī)生在SCD發(fā)生前4 min就識(shí)別它,從而可預(yù)防SCD事件發(fā)生,及時(shí)挽救生命。心搏驟停的預(yù)測(cè)對(duì)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(hào)中提取HRV信號(hào)的雙譜特征和時(shí)域特征,并采用線性判別分析技術(shù)將HRV信號(hào)中提取的特征簡(jiǎn)化為一個(gè)特征,分別基于K最近鄰和支持向量機(jī)算法進(jìn)行分類,實(shí)現(xiàn)在心搏驟停發(fā)生前4、5、6 min預(yù)測(cè)SCD,準(zhǔn)確率均超過91%。SHEN等[8]成功利用單導(dǎo)聯(lián)心電圖數(shù)據(jù)預(yù)測(cè)SCD,使家庭護(hù)理系統(tǒng)和可佩戴設(shè)備準(zhǔn)確預(yù)測(cè)SCD事件成為可能。其中,個(gè)人心臟家庭護(hù)理系統(tǒng)主要由心電識(shí)別模塊、SCD檢測(cè)模塊和SCD預(yù)測(cè)模塊構(gòu)成。該系統(tǒng)采用數(shù)字濾波器、模板匹配和均方誤差方法對(duì)單導(dǎo)聯(lián)(Ⅰ導(dǎo)聯(lián))心電信號(hào)進(jìn)行處理,分別通過傳統(tǒng)機(jī)器學(xué)習(xí)算法,如小波分析法、ANN、最小均方差、基于決策的神經(jīng)網(wǎng)絡(luò)、反向傳播神經(jīng)網(wǎng)絡(luò)識(shí)別HRV特征以預(yù)測(cè)SCD事件,結(jié)果顯示小波分析法的預(yù)測(cè)準(zhǔn)確率最高。KWON等[38]分別將12導(dǎo)聯(lián)、6導(dǎo)聯(lián)和單導(dǎo)聯(lián)心電圖數(shù)據(jù)作為模型數(shù)據(jù)集,利用CNN對(duì)其進(jìn)行學(xué)習(xí),發(fā)現(xiàn)模型基于單導(dǎo)聯(lián)(Ⅰ或Ⅱ?qū)?lián))心電圖同樣可預(yù)測(cè)心搏驟停,這使采集單導(dǎo)聯(lián)心電圖的可穿戴設(shè)備也可能被用于心搏驟停的篩查和預(yù)測(cè)。同時(shí),利用靈敏度圖研究發(fā)現(xiàn),用于支持決策的關(guān)鍵心電信號(hào)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(xùn)練深度神經(jīng)網(wǎng)絡(luò)提取患者12導(dǎo)聯(lián)心電圖特征,不僅可預(yù)測(cè)患者一年內(nèi)的死亡率,而且可對(duì)胸痛患者以及存在心臟缺血的非典型胸痛患者進(jìn)行危險(xiǎn)分層;對(duì)于預(yù)期生存時(shí)間在一年以內(nèi)的患者,還能輔助治療決策,即實(shí)施保守治療還是采取侵入性的和(或)高風(fēng)險(xiǎn)的治療措施。LIU等[40]采用隨機(jī)森林方法從胸痛患者的8個(gè)臨床體征和5 min HRV數(shù)據(jù)中篩選出與主要不良心臟事件最相關(guān)的3個(gè)變量,分別是收縮壓、平均RR間期和平均瞬時(shí)心率,而以這些變量為輸入的基于幾何距離的機(jī)器學(xué)習(xí)評(píng)分系統(tǒng)會(huì)根據(jù)心電圖對(duì)胸痛患者給出0～100分的風(fēng)險(xiǎn)評(píng)分。該研究發(fā)現(xiàn),選擇上述3個(gè)最相關(guān)預(yù)測(cè)變量的評(píng)分系統(tǒng)與采用全部23個(gè)變量的評(píng)分系統(tǒng)相比,前者在72 h內(nèi)預(yù)測(cè)主要不良心臟事件的效果優(yōu)于后者,提示預(yù)測(cè)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(gè)變量作為ANN模型對(duì)暈厥患者短期危險(xiǎn)的預(yù)測(cè)因子,表明ANN模型有望成為暈厥患者危險(xiǎn)分層工具而在急診科推廣應(yīng)用。

4 小結(jié)

使用機(jī)器學(xué)習(xí)進(jìn)行心電圖自動(dòng)分類診斷的技術(shù)已經(jīng)較為成熟,并在臨床得到廣泛應(yīng)用。然而基于心電圖的機(jī)器學(xué)習(xí)用于疾病預(yù)測(cè),尤其是在心血管疾病預(yù)測(cè)方面仍處在研究階段,尚未在臨床大范圍推廣。同時(shí),機(jī)器學(xué)習(xí)可以對(duì)患者的臨床特征、檢驗(yàn)結(jié)果、心電圖、CT或MRI等多種數(shù)據(jù)進(jìn)行綜合學(xué)習(xí),從而提高預(yù)測(cè)結(jié)果的準(zhǔn)確性。而作為機(jī)器學(xué)習(xí)分支的深度學(xué)習(xí),其性能往往隨著訓(xùn)練數(shù)據(jù)集規(guī)模的增大而不斷提升。深度學(xué)習(xí)能夠自動(dòng)獲取特征,只需直接輸入原始數(shù)據(jù)進(jìn)行運(yùn)算,就能得到輸出結(jié)果。但深度學(xué)習(xí)過程中自動(dòng)提取的特征可能跟臨床特征無(wú)關(guān),存在可解釋性差的問題,而這種無(wú)法解釋的特征往往難以讓醫(yī)生信服并據(jù)此做出診斷,即“黑匣子”效應(yīng)。靈敏度圖的應(yīng)用在一定程度上打破了深度學(xué)習(xí)算法在學(xué)習(xí)與決策過程中的“黑匣子”限制,但其應(yīng)用仍需進(jìn)一步研究。