 作 者：谢冰歆，刘彤 作者单位：天津市心血管病离子与分子机能重点实验室，天津医科大学第二医院心脏科，天津心脏病学研究所 作者简介：谢冰歆，博士研究生在读，主要从事房颤和肿瘤心脏病学的基础研究。 1 引用本文 谢冰歆，刘彤.人工智能心电图诊断模型在心脏瓣膜病识别中的应用[J].实用心电学杂志，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. 2 摘要 心脏瓣膜病（valvular heart disease, VHD）是常见的器质性心脏疾病，其发病率随着年龄增长逐年升高。随着人工智能与医学领域的交叉融合，人工智能算法模型已成为多种心脏疾病的有效识别工具。人工智能心电图（artificial intelligence-enabled ECG, AI-ECG）诊断模型通过对心电图特征进行分析，可以识别出VHD患者，未来可能成为VHD识别的临床辅助工具。本文对AI-ECG诊断模型在VHD识别中的研究进展进行综述。 3 关键词 人工智能；心电图；心脏瓣膜病；主动脉瓣狭窄；主动脉瓣关闭不全；二尖瓣关闭不全 心脏瓣膜病（valvular heart disease, VHD）是一种常见的器质性心脏疾病，可累及一个或多个心脏瓣膜，破坏其解剖结构的完整性，导致瓣膜狭窄、关闭不全或二者合并存在。大规模人群研究显示，VHD发病率约2.5%；随着人口老龄化程度的加剧，老年心脏退行性瓣膜病变及功能性瓣膜病变发病率逐年升高，<65岁人群VHD发病率低于2%，65~75岁人群发病率为8.5%，>75岁人群发病率为13.2%。VHD患者一旦出现临床症状，尤其是合并心功能不全时，常导致不良临床结局，因此，及时准确的诊断对延缓VHD进展、降低VHD相关死亡率有重大意义。目前，VHD筛查主要依赖听诊和心脏超声检查，虽然指南推荐以心脏瓣膜CT、心导管和心脏磁共振检查评估VHD，但这些方法不适用于大规模筛查，因此，探索更简便、灵敏的VHD筛查工具十分必要。 近年来，人工智能在医疗领域的研究和运用逐渐增多，广泛应用于多种疾病的诊断及预后评估。一项多中心前瞻性队列研究利用心电图特征，建立了可识别VHD的人工智能诊断模型，发现该模型识别中重度VHD患者的准确率达91.9%。目前通过利用人工智能对心电图特征进行学习，已开发出针对主动脉瓣狭窄（aortic valvular stenosis, AVS）、主动脉瓣关闭不全(aortic regurgitation,AR)及二尖瓣关闭不全(mitral insufficiency,MI)识别的人工智能心电图（artificial intelligence-enabled ECG，AI-ECG）诊断模型，但在二尖瓣狭窄、三尖瓣狭窄及三尖瓣关闭不全等VHD中的应用仍是空白。本文结合近年来的文献报道，对AI-ECG诊断模型在VHD识别领域的研究进展进行综述。 01 机器学习用于心血管疾病的识别 人工智能可以智能感知周围环境、模仿并演示人类的认知行为功能，如学习和解决问题。机器学习是人工智能的一个领域，其通过构建数学模型并进行训练，实现对未知数据属性的预测。心电信号可被机器学习转换为固定采样频率下的时间序列，每个样本都代表给定时间点的信号幅度；将采样后数据输入函数进行学习，就能识别心电图特征。大量研究表明，AI-ECG可识别多种心血管疾病，包括房颤、心力衰竭、肥厚型心肌病、离子通道病等。ULLOA-CERNA等成功构建了机器学习模型，用以识别未经诊断的结构性心脏病高危人群，敏感性达90%。ATTIA等使用窦性心律患者和阵发性房颤患者心电图训练AI-ECG诊断模型，结果显示其能够准确识别阵发性房颤（准确率79.4%，AUC值0.87）。多项研究表明，AI-ECG在长QT综合征、儿茶酚胺敏感性多形性室速等遗传性心律失常的诊断中也有较好的应用效果。CHO等基于AI-ECG建立的模型可识别射血分数降低的心力衰竭；该研究还显示，此类疾病不仅可以使用 12 导联心电图进行筛查，还能应用嵌入可穿戴设备的单导联心电图结合该模型进行筛查。 02 人工智能心电图诊断模型用于心脏瓣膜病的早期识别 OxVALVE研究发现，约50.8%的>65岁的无症状人群存在VHD（主要是轻微的），其中6.4%为中重度VHD。这一数据远高于既往流行病学数据，提示目前对于无症状VHD的早期筛查和诊断可能存在不足。 部分研究发现，AI-ECG模型也可应用于VHD的早期筛查。2021年美国梅奥诊所SHELLY等开发出了可识别AVS的AI-ECG模型，对99 093例（96.3%）心脏超声阴性的AVS患者的心电图进行识别，检出8 474例AVS的假阳性患者；经15年随访发现，约22%假阳性患者出现超声确诊的AVS，其中15%为轻度狭窄；假阳性患者发生中重度AVS的风险几乎是AI-ECG诊断为真阴性患者的2倍（HR=2.18, 95% CI 1.90~2.50；P<0.01）。KWON等利用卷积神经网络（convolutional neural network, CNN）识别MI患者，对纳入的3 978例患者进行心脏超声随访（其中3 157例经心脏超声初筛为非MI），结果发现在27个月内，有218例出现MI；相较于低危患者，经AI-ECG诊断模型识别为高危的患者MI发生率更高（2.6% vs.13.9%，P<0.01）。 虽然已有部分AI-ECG诊断模型能预测无症状人群中的VHD，但目前的数据仍然不足以说明其能早期准确识别VHD，尚待积累更多的循证医学证据，对其早期识别能力进行验证。 03 人工智能心电图诊断模型识别各类心脏瓣膜病 3.1 识别主动脉瓣狭窄 AVS通常会在心脏收缩期出现特征性的心脏杂音，仅有62%的无症状AVS患者有心脏杂音，而能否准确判断心脏杂音与医生的听诊技巧、杂音等级密切相关，约41.6%的患者在出现乏力、呼吸困难、心绞痛、晕厥等症状后才会就医，因此要识别AVS存在难度，临床亟需开发出一种新的、简便的辅助识别工具。 2020年，HATA等纳入3 513例AVS患者，对其3个月内的心脏超声和心电图数据进行人工智能深度学习；使用经预处理的心电数据训练CNN，随后将未知心电图数据输入该CNN模型，以检测其对AVS的预测能力；在分析阶段，使用梯度加权类激活映射技术(gradient-weighted class activation map，Grad-CAM)对CNN输出的预测结果进行分析，并将分析结果反馈给训练阶段的CNN模型，以进一步优化算法。通过对12导联和4导联单次心搏心电图特征进行学习，该研究发现基于12导联、4导联心电图判断AVS的准确率分别为79.5%、77.3%。通过对准确率、精度等诊断效能评估指标进行分析发现，12导联心电图在该模型中的诊断效能优于4导联心电图。此外，该研究还发现ST-T改变对AVS诊断意义重大：将采集信号的时间范围限定于ST-T特征区域，可明显提高识别AVS的准确率。SHELLY等使用263 570例患者的12导联心电图数据对CNN模型进行训练，以识别中重度AVS，其敏感性、特异性和准确率分别为78%、75%和75%。这与HATA等的研究结果基本一致。在最新的研究中，SHELLY等再次利用标准12导联心电图建立CNN模型来识别中重度AVS患者。该模型以空间为第一维度、时间为第二维度，具体包含62个卷积层和1个分类层，其在验证组中敏感性、特异性和准确率分别为78%、74%和74%；随着患者年龄增长，其通过心电图识别AVS的敏感性升高，特异性降低，并且相较于男性，其在女性患者中的敏感性更低（78.8% vs. 77.2%），特异性更高（71.8% vs. 77.1%）。随后，该团队通过增加年龄和性别参数，将该模型识别无高血压AVS患者的AUC值提高至0.90。 AVS是一种严重的VHD，即便经验丰富的医生也很难通过心电图诊断。上述研究表明，此类AI-ECG诊断模型对AVS具有较强的识别能力。VHD通常合并各类心律失常，但上述研究中仅排除起搏器心电图，并未排除其他类型心律失常心电图。由于心律失常可能是算法识别VHD的一个重要参数，因此未来研究中应考虑纳入心律失常心电图。 3.2 识别主动脉瓣关闭不全 AR是主动脉瓣或主动脉根部异常导致收缩期血液从主动脉反流至左心室的疾病。Framingham研究结果显示，AR发病率为4.9%，中重度AR发病率约0.5%；随着年龄的增长，其发病率升高，严重程度加重。一项英国社区队列研究纳入了≥65岁且既往未诊断为VHD的患者，其中1.65%的无症状人群中筛查出中重度AR，而这类患者保守治疗的10年死亡率为34%±5%。因此，及早诊断和定期监测AR进展十分重要。 2022年日本东京大学SAWANO等开发出利用体表心电图诊断AR的多输入型神经网络模型，对是否存在房颤、QRS持续时间、QT间期、QRS轴、P波电轴、SV1+RV5电压等心电图特征进行分析，发现该模型在AR识别中的AUC值显著高于其他类型的机器学习模型；无房颤信息的多输入模型AUC值明显低于有房颤信息的模型，这表明房颤信息在该模型决策过程中起重要作用。通过Grad-CAM分析，发现该模型倾向于基于Ⅰ、aVL导联QRS波群特征识别AR。该模型在AR的预测中有一定价值，可作为简便的AR筛查辅助工具。 3.3 识别二尖瓣关闭不全 MI是发达国家常见的VHD，全球约有2 420万例患者，普通人群MI发病率为1.7%，但在>70岁人群中发病率约10%，其中继发性MI占中重度患者的65%。一项多中心回顾性队列研究使用CNN模型识别中重度MI患者。通过第一层CNN对心电数据进行运算输出后，在Max Pooling层减小数据量，在最后一层CNN进行滤波数据处理后，通过平滑层进入全连接层识别MI。该算法通过对患者标准12导联心电图的分析，在内外部验证集中检测出MI的AUC值分别为0.816和0.877；使用算法对患者单导联心电图进行分析，诊断MI的AUC值分别为0.758和0.850。该人工智能算法对心电图分析得到的敏感区域图表明，其主要采集MI患者的P波、T波数据及非MI患者的QRS波离散度数据。该研究对算法抓取的心电图重要数据采集区域进行敏感区域图分析，并将其可视化呈现，增加了算法的透明度。通过人工智能算法对心电图关键区域进行分析，提高了MI检出率，有助于识别高风险患者。 04 小结 随着人工智能技术的不断发展，各类相关技术逐渐应用于医疗保健领域，从心率监测手环到体外3D打印器官模型等技术层出不穷。心电图作为一种广泛普及、简便易得、无创低廉的心脏检查手段，其功能早已不再局限于心律失常和心肌缺血的诊断。研究者使用经心脏超声确诊为VHD的患者心电图，对人工智能算法诊断模型进行训练和优化，再在外推验证集（包含非VHD的心电图数据集）中验证其诊断效能，均证实了此类模型可能成为未来诊断VHD的重要辅助手段，有助于在心脏超声技术未普及应用的地区或体检等大规模人群筛查中识别潜在的VHD患者，助力临床诊疗，提示对患者行进一步检查以明确诊断、及早治疗。 |
|
|
