深度学习在心电图自动诊断和预测心血管疾病中的应用

吕婷婷 丁子建 袁亦方 林剑平 王贵锦 张萍

根据最新发布的《中国心血管健康与疾病报告2020》[1]，我国心血管病死亡率仍居各病之首，我国心血管病患病率及死亡率仍处于上升阶段，疾病负担逐渐加重。近年来我国心血管疾病的危险因素发生了重大变化[2]，心血管病的提前预防、早期发现、早期诊断和早期治疗至关重要。心电图是利用心电图机从体表记录心脏每个心动周期产生的电活动变化图形的技术，是一种临床上最常用的非侵入性、操作简便、经济有效的筛查和诊断心律失常和心血管疾病的检查方法。然而，常规静息心电图检查获得的心电数据仅10 s，极有可能漏诊。24 h动态心电图虽能够更好地反映人一天当中各个时间段及不同状态下心电图的特点，然而人全天心跳次数高达8～14万次，使心电医技工作人员的工作量极大。另一方面，随着便携式心电可穿戴设备的快速发展，新增的海量心电数据的判别和诊断已经无法仅靠人工来完成。近年来人工智能技术特别是深度学习在辅助诊断、医学影像处理和专家系统等领域应用迅速发展，而且在心电图自动诊断方面也取得了诸多卓有成效的进展，本文旨在介绍深度学习技术在心电图自动诊断和预测心血管疾病中的应用现状，有利于深入认识其应用前景。

1 基于深度学习的心电图自动诊断发展概况

1.1 深度学习技术简介

深度学习是一种具备自己获取知识或从原始数据中提取模式的人工智能技术[3]。通过在模型中加入多层的计算单元并形成“深度”模型，从而获得强大的表示学习能力，能够从数据中学习到多层次的抽象表征[4]。深度学习根据数据是否具有标签可分为非监督学习与监督学习[5]。非监督学习方法主要包括：受限玻尔兹曼机、自动编码器、深层信念网络、深层玻尔兹曼机等。监督学习方法主要包括：深层感知器、深层前馈网络、卷积神经网络、循环神经网络等。深度学习技术与传统机器学习不同，可以通过不断累积的数据和更深层的模型获得更强的表示学习能力。通过强大的表示学习能力，深度学习技术在图像识别和语音识别中超越了传统机器学习，并且通过在强化学习中的结合实现了超越人类的围棋技艺[6-7]。在医疗健康领域中，深度学习技术将发挥更大的作用，如将计算机视觉相关技术应用于医疗图像、将自然语言处理相关技术应用于电子病历等[8]。

1.2 心电图自动诊断的深度学习模型及其心电图数据库

目前，深度学习在心电自动诊断中的应用主要集中于心电图节律的分类和心律失常的检测。用于心电自动诊断的深度学习方法主要有卷积神经网络和循环神经网络，以及多种方法进行联合使用。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，常用于多维数据的处理，如时间序列数据(一维数据)和图像数据(二维数据)等[9]。循环神经网络是一种用于处理序列数据的神经网络，能够处理可变长度的序列[9]。目前国际上最重要的、具有权威性的心电数据库包括美国麻省理工学院提供的MIT-BIH数据库，美国心脏学会的AHA心律失常心电数据库，以及欧盟的CSE心电数据库和ST-T心电数据库。此外，国际上被广泛认可的还有Sudden Cardiac Death Holter Database，PTB Diagnostic ECG Database，PAF Prediction Challenge Database等心电数据库。目前深度学习在这些心电图数据库中进行了探索并取得了不少进展。郭继鸿教授等国内知名心电学专家在2011—2013年期间建立了中国正常成人心电图数据库[10]，其对未来自动诊断中国成人正常心电图一定会发挥重要的作用。然而，心电图的术语有上千种，目前的多种心电数据库仍不能满足自动诊断多种心电图术语的探索与研究。而且鉴于心电图具有种族差异性[11-12]，建立中国人自己的、样本量足够大、心电图术语种类繁多的异常心电图数据库对于深度学习自动诊断中国人心电图的研究非常必要。

2 深度学习在心电图自动诊断和心血管疾病中的具体应用

2.1 深度学习在心电图自动诊断中的应用

心律失常在临床上的发生率非常高，心律失常的早期诊断和治疗至关重要。近几年，研究者们不断探索深度学习在自动诊断心电图节律中的应用。2016年，沙特国王大学的Rahhal等[13]利用自编码器进行非监督的特征学习，然后采用全连接神经网络进行监督学习实现了异常心电图的检测，该研究主要对室性心律失常和室上性心律失常进行了自动诊断。斯坦福大学的Hannun等[14]通过卷积神经网络进行有监督的特征学习，对通过FDA认证的Zio monitor设备(采样频率200 Hz，模拟Ⅱ导联)所检测的单导联心电数据进行心房颤动和心房扑动、房室传导阻滞、二联律、早复极、交界性节律、窦性节律、噪声、室上性心动过速、三联律、室性心动过速、文氏现象12种节律的分类，该研究团队首次报道了端到端的深度卷积网络能够广泛区分单导联心电中最常见和最重要的节律诊断。该研究的训练样本量较大，从53 549例患者中采集了91 232条心电图，在测试数据集上的受试者工作特征曲线下平均面积为0.97，阳性预测值和敏感性的调和平均值超过了心脏病专家的平均水平(0.837比0.780)。如果该方法能够在临床应用中得到证实，可实现急诊的准确分类或排序，降低计算机心电图解释的误诊率，提高专家心电解释的效率。2018年，我们团队利用循环神经网络对正常、室性早搏、房性早搏和其他四类心跳进行识别，并通过主动学习进一步提高了诊断准确率[15]，而且更新了心电图的分类器，使自动诊断的灵敏度更高、特异度更好，尤其在关键点识别上首次采用了卷积神经网络，大幅提高了预测的准确性[16]。Yldrm等[17]利用深度卷积神经网络在长时程心电数据中实现了正常窦律、房性早搏、心房扑动、心房颤动、室上性心动过速、预激、室性早搏、室性二联律、室性三联律、室性心动过速、室性节律、心房扑动、室性融合波、左束支阻滞、右束支阻滞、第二相位阻滞和起搏节律17种心律失常的自动诊断。心房颤动是临床上最常见的心律失常，其显著增加患者出血和栓塞的风险。然而，超过三分之一的心房颤动患者没有明显症状，易被漏诊，其早期检出及早期干预非常重要。已有研究通过手机获得的PPG脉冲波利用深度神经网络很好地检测出了心房颤动[18]。Halcox等[19]首次在前瞻性随机对照研究中发现，使用Alivecor单导联设备比日常的医疗更容易检出心房颤动，且容易被患者接受。Gropler等[20]对比分析了使用Alivecor获得的单导联的RR间期和标准12导联获得的RR间期，发现前者可准确地计算间期。而且，Erdenebayar等[21]利用卷积神经网络通过正常心电图预测心房颤动。这些研究结果提示，单导联在心房颤动的筛查和预测方面具有很好的应用价值，而进一步提高效能是未来重要应用之一。

随着深度学习在心电图自动诊断应用中的不断拓展，联合多种神经网络算法对心电图节律进行诊断的研究逐渐增多。Sayantan等[22]使用MIT-BIH心律失常数据库通过深度信念网络和主动学习的方式对心电图的心跳进行了分类，该方法在心房颤动和早搏等异常节律的检测上取得了比传统算法更高的准确率。Yao和Chen[23]通过多尺度卷积神经网络对单导联心电图进行了心律失常分类。多项研究联合卷积神经网络和长短期记忆网络实现了心律失常的自动检测[24-25]。然而，为了获得更好的多种心电术语自动诊断心电图模型，还需更多的训练数据集和测试数据集，我们期待随着深度学习模型的不断探索，训练数据集和测试数据集的不断增加，实现更多种类心律失常的自动诊断。

2.2 深度学习在预测心血管疾病中的应用

2.2.1 深度学习在预测心肌缺血中的应用 心肌缺血是临床心内科常见病症，心电图ST段的解释对于心肌缺血及心肌梗死(myocardial infarction，MI)的早期预警、早期发现和及时治疗至关重要，对于增加患者的存活率与改善预后具有重要价值[26]。2006年Rokos等[27]提出建立区域性的ST段抬高型MI(ST-segment elevated myocardial infarction，STEMI)的网络模型的合理性。之后，多项研究证实了深度学习对于自动诊断ST段相关的缺血或MI的有效性。Xiao等[28]联合基于图像的方法利用卷积神经网络模型在Physionet的长时程的ST数据库实现了缺血性ST段改变的自动识别。Liu等[29]利用实时多导联的卷积神经网络来检测MI的发生。Chang等[30]则利用隐马尔科夫模型和高斯混合模型对MI进行分类。最近，Rokos[31]和Zhao等[32]利用医院内的667例STEMI患者数据研究发现，深度学习预测STEMI的受试者工作特征曲线下面积可达0.974，并且敏感度和特异度分别达90%和98%。Mehta等[33]利用人工智能的算法丰富了STEMI的鉴别诊断。这些研究提示，深度学习在心肌缺血和MI早期诊断中的研究成果可能为临床上提高心肌缺血和MI患者的存活和预后带来曙光。

2.2.2 深度学习在预测心脏收缩功能障碍中的应用 隐匿性的左心室功能障碍在普通人群中的发生率是3%～6%，其可降低生活质量和减少寿命。梅奥医学中心通过深度学习的方法，利用44 959例患者12导联心电图和心脏超声的配对数据，构建了12导联心电图预测射血分数≤35%心脏收缩功能障碍的模型。通过对比发现，该方法预测的左心室心功能障碍的敏感度和特异度优于目前临床上常用的BNP与NT-proBNP。此外该研究还发现，即使是在首次被判定为假阳性的患者(算法判定为射血分数≤35%，但当时超声心动显示射血分数>35%)，其远期发生收缩性心功能不全的风险仍远远大于未被模型认定为射血分数≤35%者[34]。梅奥医学中心在后续的研究中同样证实了利用12导联心电图预测心室收缩功能障碍的有效性，并且通过探索性分析提示通过评估“阳性筛查”之后的NT-proBNP来减少假阳性[35]。这些研究提示，心电图的强可操作性及该深度学习模型的准确性可能在未来筛查和诊断左心室功能障碍的临床应用中彰显出其预测的优势。

2.2.3 深度学习在预测高钾血症和其他心血管疾病中的应用 梅奥医学中心的Galloway等[36]使用两个导联(Ⅰ和Ⅱ导联)或四个导联(Ⅰ、Ⅱ、V3和V5导联)的心电数据建立深度卷积神经网络，实现了血钾水平≤5.5m mEq/L的患者的诊断。在心电图记录4 h后患者的血清钾水平下降，提示非侵入性心电图可预测慢性肾脏疾病的高钾血症。

深度学习还能鉴别和预测其他心血管疾病。Lyon等[37]利用高保真24 h动态心电图以及临床各种危险因素进行深度学习，可鉴别各种类型的肥厚型心肌病。联合利用心电数据及其他临床信息数据建立的深度学习模型可以预测先天性心脏疾病，并用于治疗方面的指导[38]。还有研究显示，深度学习可通过分析系列心电图预测新出现的或加重的心肌病理特征[39]；深度学习的预测模型预测心脏再同步化治疗的反应性优于传统的预测模型[40]；还可协助临床医师发现新的疾病分类方法[41]。深度学习在多种心血管疾病中的应用仍需不断探索，通过深度学习预测心血管疾病势必是未来临床应用的方向。

3 展望

人工智能是近年来的新兴技术，已有很多学者对人工智能自动诊断心电图和预测心血管疾病做了研究。机器学习是实现人工智能的方法，而深度学习是进一步实现机器学习的方法，也是目前最热的机器学习方法。本文特异性针对深度学习在心电图自动诊断和预测心血管疾病中的研究进行综述。尽管深度学习技术在心电图自动诊断中取得了一定的进展，然而仍存在很多问题：(1)由于心脏与性命相关，医疗上对于心电图自动诊断的要求极高，期望值是100%准确。当然，未来对不同心电图术语的紧急程度可以进行细化和分类，可增加临床应用价值并为临床策略提供重要参考价值；(2)深度学习技术自动诊断心电图目前主要集中在应用研究上，到真正的临床应用和实践上还存在一定的距离，可能存在医患关系等问题，因此，医生的二次诊断与确认仍然是必须的诊疗环节；(3)目前有关深度学习技术自动诊断的心电图术语研究的种类仅不到20种，而临床实际上心电图的诊断术语有上千种，因此深度学习技术在心电图自动诊断中的研究仍需在质量足够好和样本量足够大的数据集中不断探索并提升诊断的敏感度、特异度和准确性。

我国的心电诊断水平参差不齐，为了尽量均衡优质的心电诊疗资源，全国各地区已经建立了许多远程心电诊断中心，然而远程心电诊断中心的负荷过重。包括深度学习在内的人工智能化远程心电监测的应用[42]和推广，有望实现患者获益、提高医生工作效率和经济效益的三赢。当然在实践和推行过程中也充满了挑战，模型自动诊断的灵敏度、特异度和准确性还需进一步提升，漏诊和误诊可能会带来医患纠纷等。目前深度学习自动诊断心电图在单导联的应用较多，未来在12导联心电图中的应用还需深入挖掘，其诊断心律失常及预测心血管疾病的种类还需要不断提升与探索，相信在大数据时代，随着训练和测试数据集的不断增加、算法的不断更新和迭代，深度学习在心电图自动诊断和心血管疾病预测中的应用一定会有更广阔的前景。

利益冲突：无