姚易，廖曉陽*，李志超

據(jù)世界衛(wèi)生組織（WHO）及多所著名大學建立的全球疾病負擔數(shù)據(jù)庫分析，全球心房顫動（以下簡稱房顫）患者高達3 350萬，占世界人口的0.5%［1］。房顫作為21世紀最具挑戰(zhàn)性的心血管疾病之一，可導致腦卒中、心源性猝死等嚴重并發(fā)癥［2］。隨著我國人口老齡化越來越嚴重，房顫患者數(shù)量逐年攀升，成為名副其實的房顫大國［3-4］。房顫具有陣發(fā)性、無癥狀性的特點［5］，傳統(tǒng)的12導聯(lián)心電圖不能有效識別陣發(fā)性房顫。然而，陣發(fā)性房顫與持續(xù)性房顫具有相同的卒中風險，早期診斷及干預可顯著降低卒中發(fā)生率［2，6］。因此陣發(fā)性房顫的早期篩查極其重要。

臨床上，24 h動態(tài)心電圖被視為診斷陣發(fā)性房顫的金標準，但由于有時間局限性，常出現(xiàn)漏診，從而促使多種長程篩查設備不斷出現(xiàn)，例如：便攜式可穿戴設備、手持單導聯(lián)心電圖記錄儀、智能手機、智能手表、血壓計等，這些設備可提高陣發(fā)性房顫的檢出率［2，7］。然而，長程設備獲得的心電大數(shù)據(jù)既加重了醫(yī)生負擔，也是臨床工作的難題，該情況在基層醫(yī)療機構中表現(xiàn)得尤為突出。一方面全科醫(yī)生無法準確地通過心電圖診斷房顫［8］；另一方面心電大數(shù)據(jù)信息量大，解讀費時。因此，在基層醫(yī)療機構診斷陣發(fā)性房顫難上加難。為了給醫(yī)生提供有效的輔助診斷信息，人工智能技術變得越來越重要。

近年來人工智能技術飛速發(fā)展，在醫(yī)療大數(shù)據(jù)挖掘上表現(xiàn)卓越，促進了計算機輔助診斷模型的發(fā)展。經(jīng)典診斷模型的建立包括信號預處理、特征提取、分類3個過程，特征提取是模型構建的核心。傳統(tǒng)的淺層機器學習模型高度依賴人工提取特征，難以滿足復雜的實際臨床需要。研究表明，診斷常見心律失常時，現(xiàn)有的多種淺層診斷模型相比于全科醫(yī)生有更高的準確性，但錯誤率仍舊很高，不能據(jù)此進行臨床診斷和治療［8］。尤其在房顫診斷方面，現(xiàn)有診斷模型并未顯著提高診斷準確率，特別是在老年人群中出現(xiàn)錯誤診斷的可能性更大［9］。迫切需要構建深度學習模型來幫助基層全科醫(yī)生診斷房顫。Lorenz散點圖是一種新型非線性分析方法，為心電大數(shù)據(jù)的快速分析提供了新視角［10］，其輸出的二維圖形是深度學習的良好素材。本文綜述房顫計算機輔助診斷模型的研究進展，為模型構建提供新思路，同時為基層醫(yī)療機構全科醫(yī)生進行心電大數(shù)據(jù)判讀提供參考。

1 心電特征的研究進展

1.1 基于心房波的心電特征 房顫計算機輔助診斷模型是根據(jù)心房波和RR間期構建而成的，心房波表現(xiàn)為 P波消失和 f波出現(xiàn)。ANDRIKOPOULOS等［11］對比分析了60例陣發(fā)性房顫和50例正常人的12導聯(lián)心電圖，提取心房波最大值、心房波離散度、心房波方差3個特征指標用于鑒別陣發(fā)性房顫和竇性心律，靈敏度＞80%、特異度＞70%。有研究者根據(jù)心房波特征提取心房波峰數(shù)目和心房波寬度2個指標，采用群體模糊推理系統(tǒng)（SFIS）構建計算機輔助診斷模型，經(jīng)測試其診斷房顫的特異度、靈敏度和準確率分別是60.40%、77.89%、75.90%［12］。由于f波峰值低，容易受到基線漂移、運動偽影、工頻和肌電干擾，使得基于心房波診斷模型的特異度和靈敏度低。優(yōu)點在于其波形特征提取窗口窄，不需要長片段心電圖構建模型，有利于陣發(fā)性房顫的檢出。近年來隨著可穿戴設備的廣泛應用，在家庭環(huán)境中收集的心電信號存在噪聲，這對基于心房波的診斷模型提出了挑戰(zhàn)。僅基于心房波構建的輔助診斷模型較少，其性能也有待進一步的臨床驗證。

1.2 基于RR間期的心電特征 房顫表現(xiàn)為RR間期不規(guī)律。LOGAN等［13］對RR間期進行了分析，提取“RR間期方差”為特征指標，構建輔助診斷模型，其診斷房顫的靈敏度為96%，特異度為89%?；赗R間期的診斷模型不能很好地區(qū)分房顫和非房顫心律失常，且缺失了f波信息［14］。再者當房顫伴有房室傳導阻滯、房室交界性心動過速時，其RR間期表現(xiàn)為規(guī)律性，此外房撲或多源性房性心動過速的RR間期可表現(xiàn)為無規(guī)律性，因此基于RR間期診斷模型的診斷性能受到嚴重的影響［15］。另一方面RR間期特征提取窗口寬，需要50～500個心搏，難免漏診發(fā)作時間短的陣發(fā)性房顫。

1.3 基于心房波和RR間期聯(lián)合心電特征 有研究者提出構建聯(lián)合心房波和RR間期特征的計算機輔助診斷模型。DU等［14］將6 s心電圖片段的“TQ間期的平均f波數(shù)量（NfTQ）”“RR間期最大差值（RRImax）”和“RR間期標準差（RRIstd）”3個指標結合起來用于房顫的診斷，以指標大小為分類標準，獲得了90%以上的準確率和靈敏度。JIANG等［15］通過ΔRR間隔分布差異曲線（dRDDC）找出竇性心律和房顫的過渡區(qū)，再聯(lián)合f波和RR間期特征構建模型，該模型診斷房顫的靈敏度、特異度分別是98.2%、97.5%。由此可見，聯(lián)合心房波和RR間期特征的模型診斷房顫的價值略優(yōu)于僅基于RR間期的模型。但是聯(lián)合診斷模型的性能取決于峰值檢測，長程心電圖容易受到日?；顒拥母蓴_出現(xiàn)大量的高峰干擾波，嚴重影響其性能。再者結合兩類特征的模型沒有明顯提升房顫的診斷性能，同時增加算法的復雜性，因此在臨床中的應用并不廣泛。

1.4 基于非線性的心電特征 部分研究者跳出以上思維，提出非線性特征的計算機輔助診斷模型。KUMAR等［16］根據(jù)彈性分析小波變換（FAWT）獲取的子帶信號，據(jù)此計算對數(shù)能量熵（LEE）和置換熵（Pen），使用隨機森林法進行分類發(fā)現(xiàn)，基于LEE特征的模型表現(xiàn)出更好的性能，其準確率、靈敏度和特異度分別為96.8%、95.8%和97.6%。這類基于非線性特征的模型能區(qū)分竇性心律和房顫之間的微小差異，同時不依賴f波和R波的檢測。這一方面的研究相對較少，是未來研究的方向。

1.5 基于心電散點圖的心電特征

1.5.1 Lorenz散點圖 Lorenz散點圖又稱為Poincaré散點圖、心電散點圖，在平面直角坐標系中通過（RRn-1，RRn）確定一點，迭代運算制作而成。Lorenz散點圖是近年心電領域的研究熱點，作為一種混沌理論的非線性分析方法［17］，與線性分析方法有所不同。同一性質的心博聚集在一起形成一個特征的圖形，可用于各類心律失常的診斷及鑒別診斷。ESPERER等［18］研究表明Lorenz散點圖中的扇形圖形提示房顫的存在；竇性心律的散點圖形狀表現(xiàn)為彗星狀。陣發(fā)性房顫的散點圖既有竇性心律圖形又有房顫的圖形，表現(xiàn)為兩種圖形完全分離、部分分離、完全重疊3種形式［19］。當房顫伴有其他心律失常時，其Lorenz散點圖的圖形特征表現(xiàn)為扇形與其他圖形共存。由此可見，Lorenz散點圖不依賴心電波形的檢測，同時對房顫伴有其他復雜心律失常的診斷及鑒別診斷更優(yōu)。另一方面，Lorenz散點圖作為非線性分析方法，從宏觀層面分析心電大數(shù)據(jù)，有利于大數(shù)據(jù)的快速分析。隨著散點圖技術的發(fā)展，廣義的心電散點圖包括差值散點圖、RDR散點圖、三維散點圖等，由于觀察切面的變化以及維度的增加，可為臨床醫(yī)生提供更多更詳細的房顫心電特征。

1.5.2 基于Lorenz散點圖的心電特征 臨床工作中，主要是通過人工閱讀Lorenz散點圖進行心律失常的診斷。人工閱讀容易受主觀經(jīng)驗的影響、同時消耗大量的時間［20］。以上原因促進多種基于Lorenz散點圖的輔助診斷模型出現(xiàn)，這些模型主要通過提取散點圖圖形特征，使用機器學習中的各類分類器構建而成。

RUAN等［21］在房顫扇形圖形的基礎上，提取“診斷線上圖形長度（SD1）”“垂直于診斷線上圖形寬度（SD2）”“角矢量指數(shù)（VAI）”“長度矢量指數(shù)（VLI）”4個指標，房顫患者的4個指標比正常心電圖的值更大，兩者存在差異。將4個指標結合起來更利于房顫的診斷，其靈敏度和特異度均高達100%。WANG等［20］也提取了SD1、SD2、VAI、VLI圖形指標構建模型，通過MIT-BIH數(shù)據(jù)庫進行驗證發(fā)現(xiàn)其診斷房顫準確率達90%以上。也有研究者通過對房顫Lorenz散點圖形狀進行分析，提取“簇數(shù)量”“診斷線上點離散度”“節(jié)律間期平均步進增量”3個指標；通過k均值聚類法、支持向量機兩個分類器來區(qū)分房顫節(jié)律和非房顫節(jié)律，結果表明該模型的平均靈敏度和平均特異度分別為91.4%和92.9%［22］。根據(jù)房顫的Lorenz散點圖提取出4個幾何特征指標（PCA向量和對角線之間的角度、散射角、平行于對角線的兩條線之間的點比值、長度比），7個RR間期數(shù)量指標（分別是RR間期平均值、RR間期標準差、變化系數(shù)、RR間隔的偏度、RR間隔峰度、RR差值平均值、RR差值標準差）；使用順序正向搜索算法（SFS）進行特征指標的選擇，通過模糊支持向量機（FSVM）判斷終止性房顫與非終止性房顫；該模型不僅可以100%的將測試集以及訓練集的房顫正確分類，還可以將92.3%的非終止房顫和終止房顫準確分類［23］。有研究者提出Lorenz散點圖不同區(qū)域點的頻率分布和復雜相關度量（CCM）兩個指標，將兩者輸入神經(jīng)網(wǎng)絡，所構建的診斷模型準確率高達94%［24］。LOWN等［25］在Lorenz散點圖的基礎上，提出包含60個RR間期的差值散點圖，根據(jù)差值散點圖的特征，經(jīng)支持向量機構建房顫計算機輔助診斷模型，該模型在訓練集的靈敏度為99.2%，特異度為99.5%；在測試集的靈敏度為100.0%，特異度為97.6%。但上述模型所用的數(shù)據(jù)來自國際標準心電數(shù)據(jù)庫，來源單一，泛化能力受到限制，這些模型在真實世界中的診斷性能仍需進一步驗證。

2 機器學習在房顫診斷中的應用進展

2.1 基于淺層機器學習的輔助診斷模型 機器學習可分為傳統(tǒng)的淺層機器學習和深度學習。淺層機器學習算法包括隨機森林、支持向量機、LASSO回歸、決策樹、樸素貝葉斯、K均值聚類等。上述文章提到的多種計算機輔助診斷模型是通過傳統(tǒng)淺層學習方法構建而成，此類模型需要人工提取特征指標，人工提取過程容易受到主觀影響，同時無法利用高維特征所提供的有效信息，限制了其在心電大數(shù)據(jù)的推廣和應用。

2.2 基于深度學習輔助診斷模型 深度學習是機器學習中的一個新興分支，近幾年在圖形識別上快速發(fā)展。深度學習擅長圖像識別與學習，在醫(yī)學影像學研究最多［26］，也逐漸應用于心電學、人臉識別、糖尿病視網(wǎng)膜病變等領域。2019年柳葉刀上發(fā)表了一篇基于深度學習構建房顫診斷模型的文章，文章提出深度學習可以識別到人眼不能觀察到的心電信號［27］，這有利于陣發(fā)性房顫、房顫伴其他復雜心律失常的診斷。Lorenz散點圖輸出的二維圖形正好是深度學習的良好素材，將兩者結合起來可構建一種新的計算機輔助診斷模型。

XIA等［28］通過“短期傅立葉變換”和“平穩(wěn)小波變換”將一維心電圖轉化為二維信號，再將二維信號輸入卷積神經(jīng)網(wǎng)絡構建計算機輔助診斷模型，使用“短期傅立葉變換”深度學習模型的靈敏度、特異度、準確率分別是98.34%、98.24%、98.29%；使用“平穩(wěn)小波變換”模型的靈敏度、特異度、準確率分別是98.79%、97.87%、98.63%。CAI等［29］采用一維深層密集連接神經(jīng)網(wǎng)絡（DDNN）檢測12導聯(lián)心電圖波形中的房顫，在測試數(shù)據(jù)集中得到的準確度、靈敏度、特異度分別為99.35%、99.19%、99.44%。然而，上述研究不是基于Lorenz散點圖構建的深度學習輔助診斷模型，卻為房顫的輔助診斷提供了新思路。KISOHARA等［30］使用深度學習中的卷積神經(jīng)網(wǎng)絡學習Lorenz散點圖，構建計算機輔助診斷模型，通過房顫、竇性心律數(shù)據(jù)庫進行訓練和測試，結果表明該模型診斷房顫的靈敏度是100%，特異度是100%。但該研究沒有考慮到陣發(fā)性房顫的識別，且僅使用了慢性房顫和純竇性心律訓練和測試模型，在真實世界中的診斷性能還需進一步的評價。

3 輔助診斷模型應用現(xiàn)狀及不足

近年提出了很多計算機輔助診斷模型。其中，由于R波峰值高，受到噪聲干擾較小，基于RR間期的診斷模型目前研究和應用的最多。但很少有人對各類模型做進一步的實證研究，大部分模型所用的訓練集和測試集數(shù)據(jù)來源單一，在臨床應用中的準確性不高，泛化能力弱［31］。目前基層醫(yī)療機構所用的12導聯(lián)心電圖普遍帶有輔助診斷功能，因為準確率低，得出的結論不可靠，基層醫(yī)療機構全科醫(yī)生常不參考其自動診斷結果。因此迫切需要構建泛化能力強、準確性高、適用于基層醫(yī)療機構的輔助診斷模型?；鶎俞t(yī)療機構強調的是對房顫的快速篩查和診斷，這與三級醫(yī)院的重心不同。目前構建的眾多模型很少使用真實世界的心電數(shù)據(jù)，限制了其在基層醫(yī)療機構的應用。研究表明基層醫(yī)療機構全科醫(yī)生結合計算機輔助診斷模型能提高房顫診斷的準確性，但對于房顫篩查還不夠，仍需加強基層醫(yī)務人員心電知識培訓［8］。也有研究表明輔助診斷模型在自動診斷結果是正確的情況下，提高了醫(yī)生診斷正確率，當在自動診斷不正確時，卻增加了醫(yī)生出錯的概率［32］。培訓作為提高房顫診斷準確性的“慢方案”，無法解決基層醫(yī)療機構面臨的“急問題”，因此構建性能良好的計算機輔助診斷模型顯得尤為重要。

4 總結及展望

基于心電特征的計算機輔助診斷模型可以輔助全科醫(yī)生快速做出心電圖診斷。然而，由于傳統(tǒng)淺層學習的固有缺陷，在臨床應用中存在準確性低、泛化能力弱等問題，導致其實際診斷準確性不高。深度學習作為人工智能新興技術，在圖像識別、高維數(shù)據(jù)及非線性特征處理等方面具有顯著優(yōu)勢。有效彌補了淺層機器學習的不足。通過心電散點圖將心電圖波形圖轉化為二維圖形，為深度學習的模型構建提供優(yōu)質素材，兩者的有機結合是否會產(chǎn)生性能更佳的模型值得進一步研究。

結合目前房顫計算機輔助診斷模型的研究進展和局限性分析，筆者認為未來的研究可能從以下方面進行。（1）單純性陣發(fā)性房顫由于發(fā)作時程短導致散點圖的圖形特征不明顯，增加診斷難度，也可嘗試通過深度學習解決陣發(fā)性房顫診斷中存在的問題。同時進一步挖掘單純性陣發(fā)性房顫散點圖特征，例如：從三維散點圖得到更多的陣發(fā)性房顫的心電特征。（2）陣發(fā)性房顫伴多種類型復雜性心律失常時，其散點圖特征復雜，人工難以辨別，可以基于深度學習的方法進行診斷及鑒別診斷。（3）現(xiàn)有的各類診斷模型多是通過一類標準數(shù)據(jù)庫（MIT-BIH房顫數(shù)據(jù)庫等）進行訓練或測試，很少在臨床中進行實證研究，因此需要真實世界的多源多中心的數(shù)據(jù)進行模型構建，同時在真實世界進行實證研究?？傊疃葘W習必將成為未來醫(yī)學圖像識別的主流，將越來越多的應用在各大領域。

本文文獻檢索策略：

本綜述在確定陣發(fā)性心房顫動計算機輔助診斷模型的主題后，以“陣發(fā)性心房顫動”“計算機輔助診斷”“模型”“Poincaré散點圖”“基層醫(yī)療機構”等為關鍵詞，充分檢索中國知網(wǎng)、萬方數(shù)據(jù)知識服務平臺、維普網(wǎng)、PubMed、Web of science等國內外數(shù)據(jù)庫。不限制時間，弄清陣發(fā)性心房顫動計算機輔助診斷模型的起源以及發(fā)展歷程，進一步分析不同模型的優(yōu)勢與缺陷。再限定近3～5年時間，了解國內外研究進展及創(chuàng)新內容。

作者貢獻:姚易、廖曉陽、李志超進行文章結構的構建；廖曉陽、李志超進行文章的科學性分析、論文的修訂，負責文章的質量控制及審校；姚易進行文獻資料收集和整理并撰寫論文；廖曉陽對文章整體負責。

本文無利益沖突。