魏子豫 刘兴鹏
心电图通过放置于体表特定位置的电极记录心脏电活动,具有无创、便捷、经济等优点,是当今临床应用最广泛的检查方法之一。冠心病(coronary artery disease,CAD)已累及全球1.72%的人口,每年造成900万人死亡[1]。及时、准确地判读心电图,对冠状动脉(简称冠脉)病变的诊断和治疗具有重要意义。现有标准多基于不同导联的QRS波群和ST-T改变判断冠脉病变的性质、程度及部位,要求医师具有扎实的专业知识基础及丰富的临床经验,且心电图的变化足以被肉眼识别。自20世纪70年代起,计算机自动化辅助判读系统开始用于心电图机[2],它可以对采集的心电图进行精确的即时测量和分析,并出具诊断报告。但是,该诊断报告基于人工读图的识别模式及预先定义的规则,常常无法捕捉到心电图复杂而细微的异常,误诊率仍较高。
人工智能是一种模仿人类智能行为的计算机技术,其应用已涉及心血管内科的众多领域,心电图方面的研究更是热点之一。与传统的计算机自动化辅助判读系统相比,应用人工智能的心电图分析具有更高的准确性和工作效率[3]。其实,以数字化格式存储的心电图数据正是人工智能深度学习的理想样本[4]。人工智能算法能够极大地提高临床医师对心电图的分析能力,甚至可以识别人眼难以察觉的特征[5],为其实现诊断价值的最大化提供了可能。
人工智能心电图(artificial intelligence-enabled ECG,AI-ECG)是指将人工智能算法应用于心电图分析的技术,可辅助医生进行诊断、鉴别诊断、临床决策等[6]。机器学习是人工智能的一种实现方式,通过对样本数据的不断重复,识别(即“学习”)其中隐含的规律,并将任务转化为数学问题以寻求最优解。深度学习是机器学习的一个方向,它通过模仿人脑的神经元和神经网络结构,构建多层神经网络来学习数据之间的关系。常用的深度学习算法包括人工神经网络(artificial neural network,ANN)、卷积神经网络(convolutional neural network,CNN)、长短期记忆网络(long short-term memory network,LSTM)等。与基于预先定义的规则进行判读的心电图机辅助系统相比,AI-ECG利用输入的心电图及其诊断训练算法,并通过重复验证自动调整参数,从而达到更高的诊断效能。
2.1 心肌梗死的识别
2014年,SAFDARIAN等[7]率先利用290例心肌梗死患者的心电图,比较了多种模型的分类效能,其中朴素贝叶斯(Naïve Bayes)具有最高的分类准确率(94.7%),概率神经网络(probabilistic neural network,PNN)则在心肌梗死定位中表现更好(76.67%)。ACHARYA等[8]利用有噪声和无噪声的心电图分别训练并验证了一个CNN模型,准确率分别达到93.5%和95.2%。此后,多项研究通过增加卷积层数量、与其他算法相结合等方法,不断提高AI-ECG的工作效能。LIU等[9]将CNN与双向长短期记忆网络(bidirectional long short-term memory network,BLSTM)相结合开发了一种模型,将敏感性和特异性分别提高至99.97%和99.54%。
除了直接从心电图中提取波形特征的传统模型,还有研究尝试通过结合其他数据处理方法,将时间、空间等因素引入算法。2018年,COSTA等[10]将滤除干扰后的290份标准12导联心电图转化为心电向量图数据,再利用相空间重构寻找心脏电活动顺序的变化参数,使心肌梗死检测的敏感性和特异性分别达到92%和96%;在各亚组中,对下壁心肌梗死的识别能力最差,准确率为73.07%,特异性仅53.84%,可能与造成心电活动轨迹改变的其他因素(如纤维化)有关。STRODTHOFF等[11]利用CNN模型得出了相似的结论:其判断前壁心肌梗死和下壁心肌梗死的特异性相近,但对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,胸前导联能够收集到更丰富的信息。此外,相比于仅有目标定位诊断的心电图训练集,包含所有诊断的训练集能使模型达到更高的工作效能。
目前,冠脉造影术(coronary angiography,CAG)是明确冠脉病变的金标准,但设备成本、辐射风险及侵入操作等因素限制了其临床应用。近年的研究开始探索应用心电图识别梗死相关血管的可能性。LE等[12]扫描了纸质的标准12导联心电图,通过庞加莱模式集成方法把每个导联的信号时长扩展至10 s,再利用得到的心电向量图信号提取描述心电向量空间和时间特征的参数。该研究模仿CAG对累及血管的识别顺序设计了一个分类树,首先区分患者及健康对照组;若用输入的心电图诊断心肌梗死,则依次区分右冠脉(RCA)、左前降支(LAD)、左回旋支(LCX)和无法定位(E)。测试中支持向量机算法判断梗死相关血管的平均准确率超过88%,区分LAD和LCX的准确率达到93.67%。WU等[13]利用临床收集的883例患者的资料,开发了一个将CNN和LSTM相结合的模型,其诊断急性ST段抬高型心肌梗死(ST-segment elevation myocardial infarction,STEMI)的ROC曲线下面积AUC值达1.00。确定梗死相关血管时,模型对LAD较敏感,而区分LCX和RCA的准确率略低于医师判读(0.71vs.0.84),可能与训练不足有关。BOUZID等[14]建立的随机森林模型识别LAD、LCX、RCA和其他罪犯血管的AUC值分别达0.82、0.84、0.85、0.85;该文献分析提出,糖尿病、CAD病史及T波轻微改变是影响模型分类的因素,而以多支血管病变为主的真实世界资料不利于分类模型的训练。
2016年ACHARYA等[15]首次提出了单导联心电图诊断心肌梗死的设想,其尝试提取心电图的多个非线性特征,用于训练一个利用标准12导联中任一导联独立检测心肌梗死的算法。测试中,V5导联表现最好,敏感性、特异性分别达99.45%、96.27%;V3导联区分梗死区域的平均准确率可达98.74%,以检测下后壁心肌梗死的准确率最高(99.97%)。GIBSON等[16]利用8511份来自真实世界的心电图训练了一个CNN模型,测试发现V2导联单独检测STEMI的总体效能最高(准确率90.5%,敏感性86%,特异性94.5%)。以上两项研究均未发现导联的诊断效能差异与心肌梗死区域定位的关系,可能与其不同于人工识图规则的复杂的算法识别原理有关。CHO等[17]开发了一种CNN模型,其中内嵌的算法可基于6个肢体导联重建6个胸前导联的心电图图形,使之识别STEMI的效能与基于标准12导联心电图相当(敏感性84.7%vs.83.3%,特异性92.1%vs.96.2%),优于仅基于6个肢体导联或心电图机自动判读。该模型对LAD、LCX和RCA等梗死相关血管均有较好的识别效能,其AUC值分别为0.895、0.932、0.945,与标准12导联心电图相比稍低。如将这类算法内置于可穿戴或便携设备,则有望实现对高危患者(糖尿病、非典型胸痛的女性或高龄患者)的远程监护。
2.2 急性冠脉综合征的识别
急性冠脉综合征(acute coronary syndrome,ACS)是心血管内科最常见的急症,若未能及时识别和治疗,患者可能发生猝死等严重事件。ACS患者心电图可出现T波倒置、ST段抬高、病理性Q波等多种非特异性改变,甚至在部分患者中也可无明显异常。由于急诊工作量大、时间紧迫等原因,难免有诊断差错发生[18]。LIU等[19]开发了一种深度学习模型,对STEMI的诊断准确率高于优秀医师,敏感性、特异性分别达到98.4%和96.9%;诊断急性非ST段抬高型心肌梗死(non-ST-segment elevation myocardial infarction,NSTEMI)的AUC值 可 达0.877,结合心肌肌钙蛋白I(cardiac troponin I,cTnI)诊断时AUC值可达0.978。该团队基于这一模型开发了一个报警系统AI-S,可在心电图自动上传的10 s内进行风险评分,并结合病史及后续cTnI、心电图演变更新评分,及时提醒值班医师关注高风险患者[20]。该单中心前瞻性队列研究证实,AI-S对STEMI的识别准确率高达100%,识别NSTEMI的敏感性较低(62.1%),但特异性很高(99.96%)。AI-S的应用使获得心电图至决定CAG的耗时中位数从6.0 min缩短至4.0 min(P<0.01),平均入院至球囊扩张(door-to-balloon,D-to-B)时间从69 min缩短至61 min。这是AI-ECG首次应用于临床,证明AI-S可以提供快速、准确的心电图诊断,为急诊患者的临床处置提供支持。
WU等[21]利用268例胸痛患者的心电图训练ANN模型,以区分NSTEMI和心绞痛,其敏感性和特异性分别达到90.91%和93.33%。该研究还提出了9个与NSTEMI独立相关的预测因子,分别是心血管危险因素、血红蛋白、收缩压、PR间期、校正的QT间期(QTc)、谷草转氨酶、谷丙转氨酶、肌酸激酶同工酶和心肌肌钙蛋白。AL-ZAITI等[22]使用来自EMPIRE队列(n=1244)的心电图进行训练及验证,联合梯度提升机、逻辑回归和ANN三种算法开发了一个机器学习模型,其预测ACS事件的AUC值为0.82,显著高于心电图专家(0.67)和商业软件(0.62);其预测NSTEMI的AUC值达0.78,即便患者隐瞒胸痛病史,也不会降低其诊断效能。该模型同时具有较高的阴性预测值(0.94),假阴性病例出现的原因包括过度基线漂移、频繁早搏、心动过速和左心室肥厚。
2.3 慢性冠脉综合征的评估
多项利用CNN[23]、深度神经网络[24]及多种算法相结合[25]的模型,对慢性冠脉综合征(chronic coronary syndrome,CCS)进行了准确判读。近年来,数项研究尝试进一步对CCS累及血管及其病变严重程度进行预测。ALIZADEHSANI等[26]结合标准12导联心电图、病史、辅助检查结果筛选了一系列特征,模型对CCS主要累及的冠脉分支(狭窄>50%)的识别准确率分别达到LAD 86.43%,LCX 83.67%,RCA 82.67%。HUANG等[27]从两家医院共收集了5311份心电图,利用CNN算法提取CCS患者的心电图特征,再对多种模型进行测试,其中Inception V3对CCS可达到0.900±0.012的识别准确率,识别LAD、LCX、RCA病变的AUC值则分别为0.966±0.010、0.948±0.014、0.978±0.010。LEASURE等[28]尝试训练商业机器学习软件ECGio,用于判断冠脉主要分支的狭窄程度。该研究纳入1659例心绞痛患者,以4支主要血管[左主干(LM)、LAD、LCX和RCA]中病变最严重者为标准,根据直径狭窄率(diameter stenosis,DS)分为轻度(DS≤30%)、中度(30% 除了识别CAD患者,还有研究把纳入标准扩大至其他心血管疾病。LIH等[29]训练了一个CNN-LSTM结合模型,区分健康对照、心肌梗死、CAD和充血性心力衰竭的心电图,其敏感性和特异性分别达到98.51%和97.89%。这提示AI-ECG辅助心血管疾病的鉴别诊断具有一定的可行性。 早期研究多使用PTB Physionet Datebase、Z-Alizadeh SaniDataset等公开数据库,由于受样本量所限,这些研究常常采用多倍交叉验证的测试方法,而重复训练可使模型产生对同一个体图像的适应性,导致模型的准确率等性能被高估。近年来,更多研究从真实世界获取心电图等临床资料,样本量的扩大使模型的训练及评估更为可靠。各医疗中心所使用的心电图机并不统一,采集和处理信号的过程有所不同,可能会造成心电图波形的微小差异,影响模型的训练与判读。此外,心电图的时长过短、干扰明显等采集缺陷,以及复杂的临床情况(如合并传导阻滞、解剖异常)均会限制模型的训练效果。未来需要临床医师和算法工程师进一步加强合作,建立更多高质量的大规模数据库,并在不违背伦理原则的前提下保证信息的安全共享,从而实现对AI-ECG更全面和深入的探索。 此外,AI-ECG能从复杂的输入信息中自动提取特征,从而训练为高效的分类机器,但其工作方式和原理很难为人类完全理解。这使得模型成为一个“黑匣子”,因此,在某种程度上限制了我们对这些模型的编辑和应用。加之现有的AI-ECG研究多为回顾性研究,缺少能够证实深度学习模型实际效能的前瞻性研究,尤其是临床医疗中的实践。因此,AI-ECG的应用价值尚需更多循证医学证据的支持。 AI-ECG在CAD的诊断与鉴别诊断、心血管风险预测、临床决策支持等多个方面均表现出了巨大的潜力,但是,由于种种原因,目前AI-ECG的开发还在起步阶段,并且面临着伦理、成本、技术缺陷等问题。随着这一技术的迅速发展及上述问题得到解决,人工智能将会对CAD的诊疗产生更加深刻的影响。