文 龍，胡鑫榮，梁東坡，林敏茵，劉 甜，王樹水

［1.廣東省心血管病研究所心兒科廣東省人民醫(yī)院（廣東省醫(yī)學(xué)科學(xué)院），廣州 510080；2.美國圣母大學(xué)工程學(xué)院計算機(jī)科學(xué)與工程系，美國）

流出道室性期前收縮（outflow tract premature ventricular complex，OTPVC）是最常見的室性期前收縮（premature ventricular complex，PVC），約占所有PVC 的2/3，其中3/4 起源于右心室流出道（right ventricular outflow tract，RVOT），1/4 起源于左心室流出道（left ventricular outflow tract，LVOT）。不同起源部位的OTPVC，其治療方案的選擇和射頻消融所需要的技術(shù)等不同。對于需射頻消融治療的患者，準(zhǔn)確進(jìn)行OTPVC 的左右側(cè)起源部位定位可節(jié)省手術(shù)時間、選擇合適的血管入路、減少無效消融導(dǎo)致的心肌損傷并降低血管并發(fā)癥等手術(shù)并發(fā)癥的發(fā)生率［1-4］，這尤其在兒童射頻消融手術(shù)中具有重要的臨床指導(dǎo)意義。目前12 導(dǎo)聯(lián)體表心電圖是最常用的PVC 起源部位定位診斷方法［4］。但因為RVOT 和LVOT 在心臟中的解剖位置非?？拷谛碾妶D上都表現(xiàn)為aVL 和aVR 導(dǎo)聯(lián)的負(fù)向QRS 波群等。盡管提出了V2導(dǎo)聯(lián)移行比［5］、SV2/RV3比值［6］等指標(biāo)來鑒別OTPVC，但目前的定位診斷準(zhǔn)確率仍不理想。近年來，人工智能（artificial intelligence，AI）技術(shù)得到了蓬勃發(fā)展，在各學(xué)科的應(yīng)用也越來越廣泛。機(jī)器學(xué)習(xí)是實現(xiàn)AI 的必經(jīng)之路，而深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)則是機(jī)器學(xué)習(xí)的代表性方法。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）因其強(qiáng)大的圖像識別和分類診斷能力，成為了目前應(yīng)用得最廣泛的深度神經(jīng)網(wǎng)絡(luò)。CNN 在心律失常［7］等醫(yī)學(xué)領(lǐng)域中已經(jīng)有所應(yīng)用，初步展現(xiàn)出了在心電圖分析領(lǐng)域的潛力，但目前國內(nèi)、外將CNN 應(yīng)用于OTPVC 定位診斷的研究仍非常少。本研究擬構(gòu)建基于VGGNet、ResNet 和MobileNet 3 種CNN 架構(gòu)的診斷模型，通過心電信號進(jìn)行OTPVC的RVOT 和LVOT二分類定位診斷。

1 資料和方法

1.1 一般資料

本研究連續(xù)性納入了從2015年10月至2019年11 月就診于廣東省人民醫(yī)院，經(jīng)心電生理檢查確診為OTPVC 的患者。排除標(biāo)準(zhǔn)：（1）伴有明顯器質(zhì)性心臟?。廴缧募〔?、風(fēng)濕性心臟病、嚴(yán)重冠狀動脈粥樣硬化性心臟病（冠心?。┑龋荩唬?）心內(nèi)電生理檢查提示多個PVC 起源部位；（3）心電信號及心電圖無PVC 心律。經(jīng)排除標(biāo)準(zhǔn)篩選后，共421例患者納入本研究，其中LVOT起源PVC共91例（右冠竇29 例、左冠竇26 例、右冠竇左冠竇之間25 例、左冠竇無冠竇之間1 例、主動脈瓣下流出道10 例），RVOT 起源PVC 共330 例（肺動脈左竇133 例、肺動脈前竇58 例、肺動脈右竇46 例、左竇前竇之間22 例、左竇右竇之間11 例、前竇右竇之間3 例、肺動脈瓣下流出道57 例）。本研究獲得了廣東省人民醫(yī)院醫(yī)學(xué)研究倫理委員會的批準(zhǔn)（倫理批準(zhǔn)號：KY-Q-2021-080-01）。

1.2 心電信號數(shù)據(jù)采集

心電信號數(shù)據(jù)均在入組患者行心電生理檢查前按體表12 導(dǎo)聯(lián)心電圖標(biāo)準(zhǔn)要求進(jìn)行采集。本研究均使用GE-MAC5500 心電圖機(jī)進(jìn)行數(shù)據(jù)采集，采樣率為500 Hz，采集所得數(shù)據(jù)使用麥迪克斯MEMRS-ECG 心電網(wǎng)絡(luò)工作站數(shù)據(jù)庫進(jìn)行存儲。CNN 訓(xùn)練使用的每份心電信號數(shù)據(jù)包含12 個txt文件，每個txt 文件包含1 個標(biāo)準(zhǔn)導(dǎo)聯(lián)的數(shù)據(jù)，即長度為10 s 的5 000 個電壓值信息（采樣率500 Hz×10 s=5 000 個電壓值）。

1.3 心電信號預(yù)處理

經(jīng)心電圖機(jī)獲取的是非常微弱的人體生理低頻電信號，最大的幅值不超過5 mV，信號頻率在0.05～100 Hz 之間。這些心電信號包含許多的信號干擾，需要對其進(jìn)行預(yù)處理來消除這些干擾。本研究使用低通、帶陷和零相移濾波器程序來消除肌電、工頻干擾并糾正基線漂移。再對12 導(dǎo)聯(lián)心電信號進(jìn)行電壓振幅標(biāo)準(zhǔn)化，使所有導(dǎo)聯(lián)具有相同的標(biāo)準(zhǔn)電壓振幅，得到統(tǒng)一格式的心電圖信號，如圖1 所示。

圖1 心電信號預(yù)處理的可視化圖例（A為預(yù)處理前的心電信號可視化圖像；B為預(yù)處理后并標(biāo)準(zhǔn)化的心電信號可視化圖像）

1.4 基于VGGNet、ResNet 和MobileNet 的OT?PVC 定位診斷模型的構(gòu)建及比較

本研究分別以VGGNet、ResNet 和MobileNet 3 種CNN 為架構(gòu)，構(gòu)建OTPVC 的RVOT 和LVOT二分類定位診斷模型。本研究將VGGNet、ResNet和MobileNet 中的卷積層、池化層和BN 函數(shù)分別替換為一維卷積層、一維池化層和一維BN 函數(shù)，以實現(xiàn)對心電信號的深度學(xué)習(xí)。本研究3 種CNN模型均采用五折交叉驗證法，將納入的421 份心電信號按3∶1∶1 的比例分成訓(xùn)練集、驗證集和測試集。模型輸出對RVOT 和LVOT 的定位診斷概率，以概率＞0.5 的部位作為模型對OTPVC 的定位診斷結(jié)果，并比較3 種模型的定位診斷效能。

1.5 兩名心電生理專科醫(yī)師對心電圖進(jìn)行OTPVC二分類定位診斷

本研究在421 例患者中，按照LVOT 和RVOT的比例，等比例隨機(jī)選取了163 份心電圖（RVOT共127 份，LVOT 共35 份）用于兩名心電生理?？漆t(yī)師（從事心電生理專業(yè)工作10 年以上）進(jìn)行OT?PVC 的定位診斷。心電圖均為12 導(dǎo)聯(lián)同步高清心電圖，各導(dǎo)聯(lián)之間圖像無重疊，確認(rèn)兩名醫(yī)師能夠完整讀取心電圖信息。兩名醫(yī)師以V1導(dǎo)聯(lián)束支阻滯形態(tài)和V2導(dǎo)聯(lián)移行兩個心電圖特征作為主要標(biāo)準(zhǔn)來進(jìn)行定位診斷，然后在RVOT 和LVOT 中選擇一項作為診斷結(jié)果。

1.6 評價指標(biāo)及統(tǒng)計學(xué)分析

計算基于VGGNet、ResNet 和MobileNet 3 種CNN 的OTPVC 診斷模型和兩名心電生理?？漆t(yī)師對RVOT 起源PVC 診斷的敏感度（RVOT 診斷正確的患者數(shù)/電生理提示RVOT 的患者數(shù)）、特異度（LVOT 診斷正確的患者數(shù)/電生理提示LVOT 的患者數(shù)）和準(zhǔn)確度（診斷正確的患者數(shù)/總患者數(shù)）。并繪制VGGNet、ResNet 和MobileNet 診斷模型的受試者工作特征曲線（receiver operating characteristic curve，ROC），計算ROC 曲線下面積（area under the curve，AUC）。以準(zhǔn)確度和AUC 作為診斷效能的總體評價指標(biāo)，敏感度和特異度分別作為對RVOT和LVOT 診斷效能的評價指標(biāo)。3 種CNN 模型的AUC 使用Delong Test 來判斷兩兩之間差異有無統(tǒng)計學(xué)意義。兩名心電生理?？漆t(yī)師的診斷效能使用卡方檢驗來判斷差異有無統(tǒng)計學(xué)意義。在3 種模型的ROC 圖中，以醫(yī)師的敏感度和特異度標(biāo)記對應(yīng)的點(diǎn)，以該點(diǎn)與ROC 的95%置信區(qū)間是否重合來判斷差異有無統(tǒng)計學(xué)意義。年齡和性別使用t檢驗判斷差異有無統(tǒng)計學(xué)意義。以雙側(cè)檢驗P值＜0.05 定義為有統(tǒng)計學(xué)意義，所有統(tǒng)計分析均使用R 軟件（4.1.0 版本）完成，使用的pROC擴(kuò)展包版本為1.17.0.1，使用的ggplot2 擴(kuò)展包版本為3.3.3。

2 結(jié)果

VGGNet、ResNet 和MobileNet 對RVOT 起源PVC 診斷的敏感度、特異度、準(zhǔn)確度和AUC 見表1，ROC 如圖2 所示，3 種CNN 模型的AUC 兩兩之間比較的差異無統(tǒng)計學(xué)意義（Z=-0.054，P=0.957；Z=0.028，P=0.978；Z=0.085，P=0.932）。在3種CNN模型中，準(zhǔn)確度最高的是Mobile Net為89.31%，ResNet 和VGGNet 稍低，分別為88.84%和87.65%。敏感度較高的是ResNet 和MobileNet，都為95.45%，VGGNet稍低為92.12%。而特異度較高的是VGGNet 為71.43%，MobileNet 和ResNet 稍低，分別為67.03%和64.84%。

兩名醫(yī)師的定位診斷結(jié)果如表1 所示，其對OTPVC 的診斷準(zhǔn)確度相近，分別為77.78%和79.01%，差異無統(tǒng)計學(xué)意義（χ2=0.062，P=0.803）。兩名醫(yī)師與3 種CNN 模型的診斷效能對比如圖2所示，兩名醫(yī)師的診斷效能均低于3 種CNN 模型，差異具有統(tǒng)計學(xué)意義。在RVOT 診斷方面，兩名醫(yī)師的敏感度分別為93.70%和97.64%，其診斷效能與3 種CNN 模型相同，差異無統(tǒng)計學(xué)意義（χ2=7.426，P=0.115）。在LVOT 診斷方面，兩名醫(yī)師的特異度為20%和11.43%，差異無統(tǒng)計學(xué)意義（χ2=0.574，P=0.453），但低于3 種CNN 模型，差異有統(tǒng)計學(xué)意義（χ2==9.375，P=0.002）。

圖2 VGGNet、ResNet 和MobileNet 診斷模型的ROC 圖及其與兩名心電生理專科醫(yī)師的對比圖［VGGNet 的ROC 為紅色，ResNet 的ROC 為綠色，MobileNet 的ROC 為藍(lán)色，黑色圓點(diǎn)代表醫(yī)師1 的敏感度和特異度，黑色方點(diǎn)代表醫(yī)師2 的敏感度和特異度；（A）展示了3 種CNN 模型的ROC 圖；在（B）、（C）和（D）中，藍(lán)色陰影區(qū)域代表ROC 的95%置信區(qū)間；圓點(diǎn)和方點(diǎn)均位于各ROC 95%置信區(qū)間的下方，說明醫(yī)師1 與醫(yī)師2 的診斷效能低于3 種CNN 模型］

表1 3 種CNN 模型和兩名心電生理醫(yī)師對RVOT 起源PVC 診斷的敏感度、特異度、準(zhǔn)確度和AUC

結(jié)合LVOT 患者的心電生理檢查結(jié)果，以右冠竇起源部位和非右冠竇起源部位劃分，3 種CNN模型和兩名醫(yī)師的診斷結(jié)果如表2 和表3 所示。在VGGNet、ResNet 和MobileNet 以及兩名心電生理專科醫(yī)師診斷錯誤的LVOT 中，右冠竇起源部位分別占46.15%、53.13%、56.67%、60.71%和61.29%，均比納入患者31.87%的占比高，除右冠竇外，其余起源部位的差異有統(tǒng)計學(xué)意義（P＜0.05）。在右冠竇起源部位的診斷中，VGGNet、ResNet 和MobileNet的準(zhǔn)確度分別為58.62%、41.38%和41.38%，均比兩名心電生理?？漆t(yī)師高（10.53%和0%），差異具有統(tǒng)計學(xué)意義（P＜0.05）。

表2 3 種CNN 模型對LVOT 的定位診斷結(jié)果［n］

表3 兩名心電生理專科醫(yī)師對LVOT 的定位診斷結(jié)果［n］

3 討論

隨著計算機(jī)科學(xué)的蓬勃發(fā)展，AI 被應(yīng)用到越來越多的醫(yī)學(xué)領(lǐng)域，無論是在影像組學(xué)［8］還是病理圖像［9］的識別和鑒別診斷中，AI 都展示出了其強(qiáng)大的圖像處理和分類能力。近年來，也有研究將AI 應(yīng)用于心電圖的分析，研究顯示AI 能夠成功地對高血鉀［10］和心肌肥厚［11］患者的心電圖進(jìn)行識別診斷。還有研究應(yīng)用AI 來分析陣發(fā)性心房顫動患者竇性心律時的心電圖［7］，顯示AI 能夠成功地識別出心房顫動患者，提升了心電圖對陣發(fā)性心房顫動的診斷價值。但目前國內(nèi)、外將AI 應(yīng)用于PVC 起源部位定位診斷的研究仍非常少。2013 年Soheilykhah 等［12］率先使用了小波變化技術(shù)處理心電信號，并使用支持向量機(jī)的方法對PVC起源部位進(jìn)行分類（LVOT、RVOT 間隔部、右心室基底部、RVOT 游離壁和主動脈竇），達(dá)到了88.4%的準(zhǔn)確度。2020 年He 等［13］進(jìn)一步對比了支持向量機(jī)、隨機(jī)森林、梯度提升決策樹、高斯樸素貝葉斯等4 個網(wǎng)絡(luò)模型，發(fā)現(xiàn)對PVC 起源部位（RVOT、LVOT 等共11 個部位）的定位診斷準(zhǔn)確度可達(dá)到70.7%～74.1%。但這些傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不是深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，必須在訓(xùn)練前人工定義PVC 的定位診斷特征（如QRS 波群高度、寬度等），耗時費(fèi)力，且診斷效果不理想。2018 年Yang 等［14］嘗試使用CNN結(jié)合模擬導(dǎo)聯(lián)心電信號對PVC進(jìn)行定位診斷，在9 例患者各自的模擬心臟中的平均定位誤差為11 mm。但該研究每例患者需進(jìn)行208 個電極的心電檢查，步驟繁瑣，且存在樣本數(shù)較少，需要行核磁共振或計算機(jī)斷層掃描等問題，難以在臨床工作中推廣。

正確定位OTPVC 起源于RVOT 或LVOT，可以指導(dǎo)射頻消融手術(shù)中動脈或靜脈的入路選擇，能節(jié)省手術(shù)時間、減少穿刺口、減少無效消融導(dǎo)致的心肌損傷并降低血管并發(fā)癥等手術(shù)并發(fā)癥的發(fā)生率［4］。這尤其在兒童射頻消融手術(shù)中具有重要的臨床指導(dǎo)意義。在兒童中，股靜脈和股動脈內(nèi)徑均較成人小，目前指南推薦的手術(shù)指征是要求患兒體質(zhì)量≥15 kg，如果體質(zhì)量過小，尤其在經(jīng)動脈入路時，更容易出現(xiàn)血管并發(fā)癥。在患兒體質(zhì)量處于臨界值時，室性期前收縮的起源定位就顯得尤為重要。

目前臨床醫(yī)師常用V1導(dǎo)聯(lián)束支阻滯形態(tài)和V2導(dǎo)聯(lián)移行兩個心電圖特征來進(jìn)行OTPVC 的左右側(cè)定位診斷［3］，例如左束支阻滯形態(tài)提示PVC起源于RVOT，右束支阻滯形態(tài)提示PVC 起源于LVOT 等。本研究兩名心電生理?？漆t(yī)師也以此特征作為主要診斷標(biāo)準(zhǔn)。但這些特征的診斷準(zhǔn)確度會受到導(dǎo)聯(lián)位置、心臟結(jié)構(gòu)及心臟轉(zhuǎn)位等因素影響［5］。2014 年Yoshida 等［6］提出使用SV2/RV3指數(shù)（即V2導(dǎo)聯(lián)S 波振幅/V3導(dǎo)聯(lián)R 波振幅）來鑒別OTPVC，SV2/RV3指數(shù)≤1.5 提示PVC 起源于LVOT，具有89%的敏感度和94%的特異度。2018年Cheng等［15］結(jié)合右胸導(dǎo)聯(lián)提出使用V3R/V7指數(shù)（即V3導(dǎo)聯(lián)的R 波振幅/V7導(dǎo)聯(lián)的R 波振幅），以V3R/V7指數(shù)≥0.85 為界值，其對LVOT 的診斷敏感度為87%，特異度為96%。以上這些方法都能夠進(jìn)一步提高OTPVC 的診斷準(zhǔn)確度，但這些方法計算復(fù)雜、難以掌握，不便于臨床應(yīng)用。本研究結(jié)果顯示，兩名醫(yī)師對OTPVC 的診斷準(zhǔn)確度為77.78%和79.01%，與以往各研究結(jié)果相近。但兩名醫(yī)師對LVOT 的診斷能力明顯較低，特異度僅為20%和11.43%。臨床醫(yī)師對右冠竇起源部位的PVC 進(jìn)行定位診斷往往較困難，在本研究中，兩名心電生理專科醫(yī)師共將24 例主動脈右冠竇起源的PVC 錯誤診斷為RV?OT 起源。在解剖上，RVOT 位于主動脈根部的左前方并與主動脈根部相毗鄰，主動脈右冠竇在LVOT 中較其他部位更靠近RVOT［16］。這些解剖特點(diǎn)會造成右冠竇起源部位在心電圖上的V1、V2導(dǎo)聯(lián)R 波持續(xù)時間更長，R/S 比值更高［6］，導(dǎo)致V2導(dǎo)聯(lián)移行更靠后，并且常表現(xiàn)為左束支阻滯形態(tài)。因其與RVOT 起源PVC 的心電圖特征表現(xiàn)相似，臨床醫(yī)師難以分辨二者的微小差別，所以位于LVOT 的主動脈右冠竇起源的PVC 容易被臨床醫(yī)師錯誤地診斷為起源于RVOT。本研究結(jié)果顯示，CNN 模型在對OTPVC 的PVC 的診斷中，尤其是在LVOT 起源的PVC 中，表現(xiàn)明顯較臨床醫(yī)師好，可以更準(zhǔn)確地指導(dǎo)臨床選擇首選入路，能夠指導(dǎo)臨床醫(yī)師準(zhǔn)確地識別LVOT 起源PVC 的患兒，減少血管并發(fā)癥的發(fā)生率。另一方面，本研究納入患者的起源部位定位均以射頻消融有效為標(biāo)準(zhǔn)，在此基礎(chǔ)上建立的CNN 模型，其診斷結(jié)果可以視為“進(jìn)行射頻消融有效”的部位，而無需考慮出口的方向，這與臨床需要是相符的。

1998 年Lecun 等［17］開創(chuàng)性地建立了現(xiàn)代CNN學(xué)科。CNN 使用局部感受野和共享權(quán)重、偏置的方法大大減少了計算參數(shù)，并使用了池化層結(jié)構(gòu)來簡化從卷積層輸出的信息，形成了一個能夠利用圖像空間結(jié)構(gòu)的架構(gòu)，尤其適用于圖像分類問 題。本研 究 采用的VGGNet［18］、ResNet［19］和MobileNet［20］均是目前主流的CNN 架構(gòu)，其在視覺識別和圖像分類領(lǐng)域的強(qiáng)大能力得到了廣泛的認(rèn)可。VGGNet 是由牛津大學(xué)計算機(jī)視覺組（visual geometry group，VGG）研發(fā)，該架構(gòu)結(jié)構(gòu)簡潔，泛化性能好，是圖像識別項目的主流CNN 架構(gòu)之一。其使用了較深的網(wǎng)絡(luò)結(jié)構(gòu)和較小的卷積核，既可以保證感受野，又能夠減少卷積層的參數(shù)，對圖像特征的學(xué)習(xí)能力更強(qiáng)。另外，VGGNet 使用了較小的池化核，讓池化層能夠捕捉更細(xì)節(jié)的圖像信息。ResNet 的特點(diǎn)是在每個訓(xùn)練模塊的輸入和輸出之間建立了一個旁道而形成殘差模塊，解決了過深的學(xué)習(xí)網(wǎng)絡(luò)導(dǎo)致準(zhǔn)確率下降的問題，在醫(yī)學(xué)圖像識別中的應(yīng)用也日漸增多。而MobileNet則是一款輕量化神經(jīng)網(wǎng)絡(luò)，它使用了深度可分離卷積層來減少傳統(tǒng)卷積層的參數(shù)和計算量，并使用了具有線性瓶頸的倒置殘差結(jié)構(gòu)保留了更多的信息，加快了網(wǎng)絡(luò)的運(yùn)算速度，能夠較容易移植于移動端。本研究結(jié)果顯示，VGGNet、ResNet 和MobileNet 3 種診斷模型對OTPVC 的定位診斷效能均比兩名心電生理專科醫(yī)師的診斷效能高，尤其是對起源于LVOT 的PVC 的定位診斷優(yōu)勢更加明顯。不同于臨床醫(yī)師主要依據(jù)V1導(dǎo)聯(lián)束支阻滯形態(tài)和V2導(dǎo)聯(lián)移行等心電圖特征來對OTPVC 進(jìn)行定位診斷，CNN 能夠?qū)斎胄碾娦盘柕拿恳粋€電壓值都進(jìn)行學(xué)習(xí)，每一個電壓值都會產(chǎn)生一個權(quán)重和偏置，相當(dāng)于CNN 學(xué)習(xí)了上千個心電圖特征，并且能夠通過梯度下降算法和反向傳播訓(xùn)練來不停地調(diào)整每一個特征的重要性，從而獲得能夠?qū)TPVC 進(jìn)行定位診斷的算法模型。與臨床醫(yī)師相比，CNN 對心電信號的識別明顯更加精細(xì)，因此，能夠鑒別諸如起源于LVOT 主動脈右冠竇的PVC 和起源于RVOT 的PVC 的心電信號微小差異，能更精準(zhǔn)地對OTPVC 進(jìn)行定位診斷。且CNN模型為全自動化診斷，極大地縮短了進(jìn)行定位診斷需要的時間，也消除了不同診療水平醫(yī)師之間的診斷能力差異。將來可以進(jìn)一步將CNN 模型與心電圖機(jī)進(jìn)行適配，把診斷模型算法移植到心電圖機(jī)中，患者完成心電圖檢查即可輸出診斷結(jié)果，具有較高的臨床推廣應(yīng)用價值。

本研究具有一定的局限性：本研究構(gòu)建的CNN 診斷模型在LVOT 起源PVC 的診斷方面優(yōu)于心電生理?？漆t(yī)師，在RVOT 起源PVC 的診斷方面與?？漆t(yī)師的診斷效能相同，在今后的研究中，仍需繼續(xù)擴(kuò)大樣本量，進(jìn)一步提高AI 定位診斷模型的診斷效能。另一方面，本研究納入的患者主要為成人患者，所得診斷模型在兒童相關(guān)心律失常中的應(yīng)用意義仍需進(jìn)一步完善。

綜上所述，本研究成功構(gòu)建了3 種基于CNN的OTPVC 心電信號的AI 定位診斷模型，構(gòu)建的AI診斷模型均具有良好的診斷效能，有望在體表心電信號定位診斷中發(fā)揮重要作用。

利益沖突：所有作者均聲明不存在利益沖突。