李芳 羅玉寅 王萍 諸帆

心室流出道室性期前收縮是一種常見的心律失常[1]，正常人與各種心臟病患者均可發(fā)生。隨著射頻導管消融（下稱消融）的快速發(fā)展，一些藥物治療效果差且室性期前收縮數(shù)量較多的患者會選擇手術方式進行治療。但消融術后效果與室性期前收縮部位的關系密切，因此對室性期前收縮的定位進行分析并初步確定室性期前收縮的發(fā)生部位，有助于評估手術風險及術后療效[2]。在常規(guī)心電圖檢查中，室性期前收縮的定位過程較為復雜，且要求較高，分析時間較長。隨著計算機和人工智能等技術的發(fā)展，心電圖智能診斷技術應運而生，它能模擬人類邏輯思維和形象思維，對診斷對象的狀態(tài)進行識別與預測[3-4]。本研究對神經網絡智能診斷系統(tǒng)在心室流出道室性期前收縮定位診斷中的開發(fā)和應用作一探討，以減少醫(yī)務人員的勞動強度，提高室性期前收縮的快速定位分型。

1 對象和方法

1.1 對象 選取湖州市第一人民醫(yī)院2018 年1 月至2020 年12 月就診的4 398 例患者為研究對象，通過北京谷山豐心電網絡工作站采集到實時傳輸標準心室流出道室性期前收縮常規(guī)12 導聯(lián)心電圖數(shù)據(jù)4 398 份。其中男2 500 例，女1 898 例；年齡16～70（45±12）歲。模型訓練完成后，選取本院2017年1 月至2021 年1 月經消融證實為心室流出道室性期前收縮300 例進行臨床應用測試，排除肌電干擾、基線不穩(wěn)、交流電干擾、電極板脫落、肢體動作、電話鈴響等造成的偽差。排除患有內外科急重癥、其他心律失常、多形性室性期前收縮、多源性室性期前收縮的患者。本研究經本院醫(yī)學倫理委員會審查通過，所有患者簽署知情同意書。

1.2 神經網絡智能診斷系統(tǒng)的開發(fā)

1.2.1 室性期前收縮人工診斷規(guī)則分類[5]第一步：確定室性期前收縮的Ⅱ、Ⅲ、aVF、V5、V6呈單向R 波，為心室流出道室性期前收縮。第二步：胸導聯(lián)移行＞V3且移行指數(shù)＜0，為右心室流出道起源室性期前收縮；胸導聯(lián)移行＜V3且移行指數(shù)＞0，為左心室流出道起源室性期前收縮。第三步：左心室流出道起源室性期前收縮，如果V1～V6均呈單向R 波，室性期前收縮部位在左冠狀動脈竇（下稱左冠竇）下，為主動脈-二尖瓣結合部起源室性期前收縮；如果V1～V6并非均呈單向R 波，室性期前收縮部位在主動脈瓣上。第四步：左心室流出道主動脈瓣上室性期前收縮，如果Ⅰ呈r 或m 型且無s 波，為右冠狀動脈竇（下稱右冠竇）起源室性期前收縮；如果不是，為左冠竇起源室性期前收縮?；谏鲜鲈瓌t，本院3位副高及以上職稱醫(yī)師對4 398 份常規(guī)12 導聯(lián)心電圖數(shù)據(jù)進行人工判讀，結果顯示右心室流出道起源室性期前收縮2 957 份，左冠竇起源室性期前收縮885 份，右冠竇起源室性期前收縮365 份，主動脈-二尖瓣結合部起源室性期前收縮191 份。

1.2.2 室性期前收縮定位模型整體框架 提取心電圖數(shù)據(jù)并進行濾波、陷波、數(shù)據(jù)標準化等預處理后，輸入深度學習室性期前收縮分類網絡，通過卷積網絡提煉深層心電特征；輸入1 為12 導聯(lián)的RR 間期標準差、最大RR 間期、最小RR 間期、平均RR 間期、R 波密度、相鄰NN 之差＞50 ms 的個數(shù)占整個竇性心搏個數(shù)的百分比（pNN50）、相鄰RR 間期差值的均方根（RMSSD）、RR 間期采樣熵、最大RR 間期與最小RR 間期的差值等10 個非特異性參數(shù)；輸入2 為P 波時間、PR 間期、QRS 時間、QT 間期、QT校正間期、P 波電軸、R 波電軸、T 波電軸、心房率、心室率、PP 間期、RR 間期等12 維心電設備本身輸出的全局參數(shù)；輸入3 為12 導聯(lián)QRS 時間振幅、R 波時間振幅、S 波時間振幅、R 波時間/QRS 時間、R 波振幅/S 波振幅等6 個室性期前收縮特征性參數(shù)。將室性期前收縮特征性參數(shù)和心電設備的全局參數(shù)進行特征拼接融合后導入注意力網絡，完成深度學習室性期前收縮分類，實現(xiàn)心室流出道室性期前收縮定位的智能診斷。

1.2.3 深度學習室性期前收縮分類的核心結構 處理心電波形數(shù)據(jù)的卷積神經網絡由卷積模塊并聯(lián)構成，每個卷積模塊由2 個殘差網絡模塊和1 個膠囊網絡模塊串聯(lián)構成[6-9]。為實現(xiàn)數(shù)據(jù)標準化的效果，卷積模塊前設置了批歸一化層；每個卷積模型設置不同的卷積尺度，用于捕獲各尺度下的卷積特征。通過深度學習室性期前收縮分類網絡提取卷積特征并導入多頭注意力層，同時將心電設備的全局參數(shù)輸入多頭注意力層，將兩個特征進行特征拼接，隨后導入下一個多頭注意力層，完成卷積特征和傳統(tǒng)特征的特征融合，然后輸出預測結果[10-11]。

1.3 神經網絡智能診斷系統(tǒng)的應用 采用人工診斷（由2 位副高及以上職稱醫(yī)師共同完成）、神經網絡智能診斷系統(tǒng)等兩種方式對300 例消融證實為心室流出道室性期前收縮數(shù)據(jù)進行分析與比較。

1.4 統(tǒng)計學處理 采用SPSS 21.0 統(tǒng)計軟件。模型訓練及驗證結果以F1 值、靈敏度、特異度、陰性預測值和陽性預測值表示。計數(shù)資料組間比較采用χ2檢驗。P＜0.05 為差異有統(tǒng)計學意義。

2 結果

2.1 模型訓練及驗證結果 4 398 份數(shù)據(jù)經簡單時序分割，其中80%用于模型訓練，20%用于模型驗證；結果顯示總的F1 值為0.809，多標簽均值陰性預測值為0.780，多標簽均值陽性預測值為0.820；標簽閾值以最優(yōu)F1 值作為調整標準，整體更偏向于陰性預測值，可有效降低漏診率，見表1。

表1 模型訓練及驗證結果

2.2 神經網絡智能診斷系統(tǒng)臨床應用結果 神經網絡智能診斷系統(tǒng)與人工診斷對心室流出道室性期前收縮定位診斷符合率比較，差異均無統(tǒng)計學意義（均P＞0.05），見表2。

表2 神經網絡智能診斷系統(tǒng)與人工診斷對心室流出道室性期前收縮定位診斷符合率比較[例（%）]

3 討論

室性期前收縮可發(fā)生于各類心臟病患者，也可發(fā)生于正常人。其中冠心病、二尖瓣病變晚期、心肌病、心肌炎、甲狀腺功能亢進性心臟病、二尖瓣脫垂、心力衰竭患者極易發(fā)生室性期前收縮[12]。消融是治療心室流出道室性期前收縮的主要手段，其成功率高低取決于起源位置的好壞以及有無合并器質性心臟病。因此，術前對心室流出道室性期前收縮進行精準定位診斷，有助于評估手術風險及術后療效。

本研究利用本院采集到的4 398 份實時傳輸標準心室流出道室性期前收縮常規(guī)12 導聯(lián)心電圖數(shù)據(jù)進行神經網絡智能診斷系統(tǒng)開發(fā)，以提高心室流出道室性期前收縮的定位診斷。本研究開發(fā)的神經網絡智能診斷系統(tǒng)采用模型提煉的特征參數(shù)、心電設備本身輸出的全局參數(shù)與室性期前收縮特征性參數(shù)進行拼接，以取得更豐富的心室流出道室性期前收縮心電特征，從而獲得更好的分類效果[13-15]。本研究結果顯示，所開發(fā)的神經網絡智能診斷系統(tǒng)在心室流出道室性期前收縮定位診斷中，右心室流出道起源室性期前收縮、左冠竇起源室性期前收縮、右冠竇起源室性期前收縮、主動脈-二尖瓣結合部起源室性期前收縮定位診斷的F1 值、靈敏度、特異度、陰性預測值和陽性預測值均較高。而人工診斷與神經網絡智能診斷系統(tǒng)兩種方式在臨床應用中的結果比較顯示，兩者對心室流出道室性期前收縮定位診斷符合率差異均無統(tǒng)計學意義，這也證實神經網絡智能診斷系統(tǒng)在心室流出道室性期前收縮定位診斷中具有較高的應用價值。

室性期前收縮定位分析費時、費力，且易誤判，一般心電圖室不出具室性期前收縮定位診斷結果。但是臨床醫(yī)生特別是電生理醫(yī)生非常需要室性期前收縮的定位診斷，從而確定患者的治療方案。本研究基于深度學習開發(fā)的神經網絡智能診斷系統(tǒng)在心室流出道室性期前收縮定位診斷中具有重要應用價值，有助于室性期前收縮的快速定位分型。由于本研究現(xiàn)有相關數(shù)據(jù)較少，因此仍需累積大樣本數(shù)據(jù)進行學習，以提高神經網絡智能診斷系統(tǒng)的效能。