人工智能心电图筛查心脏功能障碍

据报道，约3%-6%的普通人群患有无症状的干预后可改善的左心收缩功能不全（ALVD），降低人们的生活质量，缩短寿命。目前尚无价格低廉、无创的ALVD筛查工具。本文作者用人工智能（AI）应用于心电图（ECG）的方法识别ALVD。他们通过对奥诊所44959名患者的12导联心电图和超声心动图中左心室射血分数进行配对分析，训练了一个卷积神经网络仅使用ECG数据，可识别界定射血分数≤35%的ALVD患者。当对52870名患者进行独立测试时，该网络模型得出的曲线下面积、敏感性、特异性和准确性均高于85%。在没有心室功能障碍的人群中，AI筛查结果阳性未来罹患心室功能障碍的风险比筛查阴性者高4倍。AI在ECG上的应用——即将使得ECG成为普遍存在的、价格低廉的强有力的ALVD筛查工具。

背景：

1.4%~2.2%的人群（老年人中9%）患有ALVD，与生活质量下降以及发病率和死亡率增加相关。一旦确诊ALVD，药物治疗（血管紧张素转换酶抑制剂，血管紧张素受体和β受体阻滞剂）以及设备植入（植入式心脏复律除颤器和心脏再同步系统）可有效防止病情进展至有症状的心力衰竭,降低死亡率。因此，早期筛查ALVD尽早治疗尤为重要。目前，最佳的筛查方法是检测B型利尿钠钛（BNP）水平，但令人遗憾的是检查BNP需要有创抽血。AI神经网络已在众多领域被广泛应用于数字数据中细微模式的识别。作者假设心肌病病变的代谢过程和结构紊乱会导致ECG的改变，而这种改变可以由经过适当训练的神经网络检测到，为了验证该假设，作者创建、训练、验证并测试了一个大型神经网络。

方法和结果:

对625326例心电图和经胸超声心动图（TTE）配对检测的患者进行研究队列的分析（图1）。在2周间隔内从心电图和超声心动图检测患者中获得的首个ECG-TTE数据对构成了分析数据集，该数据集包含97829名患者：训练集中的35970名患者，验证集中的8989名患者和持续测试集中的52870位患者（图1）。整个研究人群的平均年龄为61.8±16.5岁。在测试数据集中，EF≤ 35%的患者为4131名（7.8%），EF大于35%且小于50%的患者为6740名（12.7%），EF大于41%的患者为41999名患者（79.5%）50%或更高。超过89%的患者TTE与ECG检查在1天内进行。

在测试数据中，该算法在EF35%（曲线下面积（AUC）为0.93，图2a）之间提供了很高的区分度。当选择一个无敏感性偏倚的阈值时，总体准确性为85.7%，特异性为85.7%，敏感性为86.3%，F得分为49.5%，阴性预测值为98.7%，使用在验证集上产生90%灵敏度的阈值并将算法应用于测试数据集，灵敏度为89.1%，特异性83%，总体准确度83.5%和阴性预测值98.9%。通过网络对没有已知的合并症患者分别进行分析时（表1），AUC增至0.98，灵敏度为95.6%，特异性为92.4%，阴性预测值为99.8%，准确性为92.5%。训练、验证和测试数据集中的相同AUC证明了该算法对不同数据集的抗变换性。在所有年龄段和性别组中，网络性能都很强（图2b）；然而，在关联强度上还是存在显著差异（P

图1：创建研究数据集和分析策略的示意图。该策略旨在确保为训练、验证和测试网络提供强大而可靠的数据集。将患者数据置入其中一个数据集中，该患者数据仅能用于该数据集中，从而避免了训练、验证和测试数据集之间的“交叉污染”。分析中用于训练、验证和测试网络的最终数据集以绿色框标识。

图2：网络ROC以及跨年龄和性别子集的敏感性和特异性。a.用于识别EF≤35%的患者其卷积神经网络的ROC。使用验证和测试（保持）数据集计算ROC曲线和AUC。b.卷积神经网络检测EF≤35%的敏感性和特异性列于一系列年龄和性别组合中。显示了每个年龄的诊断OR，即正似然比（灵敏度/（1-特异性））与负似然比（（1-灵敏度）/特异性）和相关的95%CI和性别组合以及整个研究样本。Breslow-Day同质性测试显示，年龄和性别组合之间存在显著差异（P

图3:远期进展为EF

结果：

左心室收缩功能障碍可影响生活质量、增加发病率和死亡率。此外，在美国有超过700万人患有ALVD，在全球范围内人数更多。但是，缺乏对全人群进行有效的心室功能障碍筛查。该应用程序使用卷积神经网络将AI应用于标准的12导联心电图，可以检测到AUC为0.93的左心功能不全。该测试的性能优于其他常见的筛查测试，例如针对前列腺癌的前列腺特异性抗原（AUC,0.92），针对乳腺癌的乳腺X线照相技术（AUC,0.85）和针对宫颈癌的宫颈细胞学检查（AUC,0.70）。与BNP相比，准确性不受年龄或性别的影响。重要的是，除了有效地识别出具有左心室收缩功能障碍的个体外，该网络还拟诊了那些最初具有左心室功能正常，但随后会出现低EF的患者。这类“假阳性”患者尽管EF正常，但是网络筛查异常者，在接下来的5年中发生心室功能障碍的风险增加四倍（5年风险为10%）。这表明该网络检测到了早期、亚临床、代谢或结构异常的心电图。然而，该人群是否将受益于连续筛查或药物治疗以预防心室功能障碍的进展尚不清楚。

该AI网络另一个重要特征是它使用廉价、标准化、普遍使用的测试——12导联心电图作为输入。便携式、廉价的心室收缩功能障碍检查可使有限的图像资源得到优化利用，同时还使个人受益于早期有效疗法的早期应用，随着支持智能手机电极出现，移动应用程序可能允许ECG在资源受限的区域中使用。针对该网络来说，测试“样本”基于软件的性质使得持续的反馈和完善成为可能，并可以伴随系统改进快速发布。

选择EF35%作为检测阈值的原因是该值具有公认的结果和治疗意义。但是，

总之，将AI应用于心电图检测是一项普遍存在的低成本测试，这使得心电图成为作为筛查左心室功能障碍的有力工具，并进一步识别将来可能进展为风险更高的病患个体。

“神麻人智”点评

无临床症状的左心室功能障碍是心力衰竭的先兆，在人群中约占2~4的比例，老年人群中高达9%，可影响患者的生活质量，甚至诱发猝死。虽然，ALVD在确诊后可通过药物或者可植入装置对患者进行治疗，但目前尚缺乏便捷、经济、无创无痛的筛查工具供医生诊断使用。目前，临床上常规使用的诊断手段，包括心脏超声心动图、心脏CT或者MRI的扫描，以及该文中提到的检测血液中BNP的水平，均有其相对的缺点，比如需要较长时间预约、价格昂贵或者属于有创检查给患者带来痛苦体验。如能开发出廉价快捷的诊断手段，对该病的早期诊断，早期治疗尤为重要。

在该研究中，梅奥诊所的研究人员认为心肌病病变的代谢过程和结构紊乱会导致ECG的改变，而这种改变可以由经过适当训练的神经网络检测到。他们通过对60多万对匹配的经胸超声心动图和心电图的数据进行分析，构建神经网络，并用该神经网络进行训练、验证和测试。该研究结果表明，将AI应用于标准的12导心电图分析，能够可靠地检测出EF≤35的无症状左心功能障碍，其准确性、敏感性和特异性均高于85%以上。此外，这种筛查手段不仅能识别出无症状的疾病，还能预测出未来患病的风险。该人工智能筛查阳性的患者未来罹患心脏收缩功能障碍的风险是筛查阴性患者的4倍，这将使患者受益于早期筛查。

我们知道心电图是一种普遍存在的、价格低廉的检测手段，甚至一些可穿戴的设备都已经将心电图的检测纳入其中，举手投足之间便可观察到自己的心电图变化。通过人工智能对其进行数字化处理，提取隐藏的心脏结构改变的潜在信息，快捷廉价，这对于心脏疾病的诊断及治疗具有重要意义。

(编译：牛丹丹，李丽；述评：邓萌)

原始文献：Attia ZI1, Kapa S1, Lopez-Jimenez F1, McKie PM1, Ladewig DJ2, Satam G2, Pellikka PA1, Enriquez-Sarano M1, Noseworthy PA1, Munger TM1, Asirvatham SJ1, Scott CG3, Carter RE4, Friedman PA5. Screening for cardiac contractile dysfunction using an artificial intelligence-enabledelectrocardiogram. Nat Med. 2019 Jan;25(1):70-74. doi: 10.1038/s41591-018-0240-2. Epub 2019 Jan 7.

（向上滑动查看内容）

“神麻人智”系列回顾：

点一点，长头发