黃曉紅、曾俊童、胡圣懿綜述，鄭哲審校

心電信號是心肌電活動產(chǎn)生的生物信號。近年來，人工智能（AI）技術(shù)輔助的心電信號如心電圖（ECG）和光電容積脈搏波（PPG）信號的分析逐漸成為研究熱點(diǎn)[1]。在中國，心血管疾病患病率處于持續(xù)上升階段[2]，ECG 作為一種無創(chuàng)的心電監(jiān)測手段，對其有重要的診斷價(jià)值[3]。但對ECG 的準(zhǔn)確解讀為臨床運(yùn)用的主要局限，且ECG 的解讀規(guī)則長期無更新[4]。近年來，PPG 作為一種新興心電信號，已被證實(shí)與ECG 之間存在高度相關(guān)性[5]。PPG 通過記錄血管中血流量的變化反映心臟泵的狀態(tài)，基于PPG的心電參數(shù)測定已被廣泛用于便攜醫(yī)療設(shè)備中指氧、心率、血壓等信號的連續(xù)監(jiān)測中。

隨著醫(yī)療大數(shù)據(jù)的發(fā)掘和應(yīng)用，AI 技術(shù)在處理復(fù)雜醫(yī)學(xué)信息方面展示出巨大潛力。機(jī)器學(xué)習(xí)（ML）作為運(yùn)用最廣泛的AI 技術(shù)，在自動分析和學(xué)習(xí)變量之間關(guān)聯(lián)模式方面存在優(yōu)勢。深度學(xué)習(xí)（DL）通過模仿人腦多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與分析模式，學(xué)習(xí)輸入數(shù)據(jù)的內(nèi)在規(guī)律和表現(xiàn)層次，并進(jìn)行自動預(yù)測。其中，卷積神經(jīng)網(wǎng)絡(luò)模型（CNN）尤其擅長以圖像為輸入信號的預(yù)測任務(wù)，因而在AI 輔助心電信號波形分析中應(yīng)用廣泛[6]。

本綜述總結(jié)了國內(nèi)外近年來AI 輔助ECG（AIECG）和PPG 分析在心血管疾病診療中的最新研究進(jìn)展，并討論目前研究的局限性與未來推廣的關(guān)注重點(diǎn)。

1 有明確心電圖診斷標(biāo)準(zhǔn)的疾病

1.1 缺血性心臟病

心肌缺血的常見ECG 表現(xiàn)包括ST 段或T 波改變等，但在臨床診療中其靈敏度和特異度并不理想[7]。對于缺血性心臟病，目前多數(shù)AI-ECG 分析算法研究主要集中于急性冠狀動脈綜合征（ACS）。Al-Zaiti 等[8]利用一組前瞻性急診胸痛患者（n=745）的ECG，分別構(gòu)建了三種預(yù)測ACS 的ML 模型，并在另一組外部隊(duì)列中（n=499）進(jìn)行驗(yàn)證。結(jié)果顯示，聯(lián)合三種ML 模型對ACS 預(yù)測的AUC 可達(dá)0.82（95%CI：0.77～0.86），顯著優(yōu)于臨床醫(yī)師AUC [0.67（95%CI：0.61～0.74）]，同時(shí)其靈敏度達(dá)到77%，相比臨床醫(yī)師（40%）和商業(yè)心電圖診斷軟件（25%）均明顯提高。此外，一系列研究提示，ECG 中存在大量潛在急性心肌缺血相關(guān)信息有待開發(fā)。Bouzid 等[9]基于專家的識別與ML 特征提取的方法，從544 個(gè)ECG 的時(shí)間-空間特征中確定了73 個(gè)同時(shí)具有生理學(xué)基礎(chǔ)與數(shù)據(jù)關(guān)聯(lián)性的心肌缺血特征，并證實(shí)了由這些特征構(gòu)建的邏輯回歸模型在驗(yàn)證集（n=499）中診斷ACS 的靈敏度顯著優(yōu)于臨床醫(yī)師與商業(yè)ECG診斷軟件（72% vs.40% vs.25%）。此類相關(guān)新型ECG 特征對今后心肌缺血診斷規(guī)則更新有重要參考價(jià)值。

1.2 心律失常

近年來，心律失常的ECG 輔助分析與診斷成為AI 算法的重要研究熱點(diǎn)。Hannun 等[10]利用來自53 549 例患者的91 232 張單導(dǎo)聯(lián)ECG 訓(xùn)練了一個(gè)端到端的深度神經(jīng)網(wǎng)絡(luò)（DNN）模型，可將輸入的ECG自動分為包括正常心律、噪音信號以及10 種常見心律失常在內(nèi)的12 類預(yù)測結(jié)果。在包含328 張ECG的獨(dú)立驗(yàn)證集中，模型對各類心律失常預(yù)測的平均AUC 約為0.91，調(diào)和平均數(shù)（F1）顯著優(yōu)于心內(nèi)科醫(yī)師的平均水平（0.837 vs.0.780）。研究者進(jìn)一步將該算法遷移至一個(gè)外部公共ECG 數(shù)據(jù)庫中進(jìn)行端對端訓(xùn)練并驗(yàn)證（n=8 528），得到相似的效能（F1=0.830），提示其存在較好的外推性。Zhu 等[11]的研究算法實(shí)現(xiàn)對有多個(gè)心律失常診斷的ECG 識別，平均F1 值達(dá)到0.887，進(jìn)一步驗(yàn)證了AI 輔助ECG 心律失常分析應(yīng)用的廣泛性。

心房顫動（房顫）在國內(nèi)外AI-ECG 研究中已初步取得較好的預(yù)測效果。Cai 等[12]開發(fā)了一種一維深度密集連接神經(jīng)網(wǎng)絡(luò)模型以識別ECG 上房顫信息，該研究利用多中心16 557 張12 導(dǎo)聯(lián)10 s ECG訓(xùn)練模型，模型在測試集的準(zhǔn)確度與靈敏度分別達(dá)到（99.35±0.26）%和（99.19±0.31）%。除了識別ECG 中已明確存在的房顫信號外，Attia 等[13]實(shí)現(xiàn)了在當(dāng)前無明顯房顫特征信號的ECG 中分析并預(yù)測未來房顫發(fā)生；其研究假設(shè)此類患者在ECG 上出現(xiàn)房顫特征性變化前心臟已經(jīng)存在如纖維化等結(jié)構(gòu)變化，但其所反映的細(xì)微ECG 變化難以被人眼所識別。因此，該團(tuán)隊(duì)利用來自180 922 例患者的649 931 張竇性ECG，訓(xùn)練并驗(yàn)證了一個(gè)可通過分析無明確房顫特征的ECG 來預(yù)測患者既往是否曾發(fā)生過房顫的CNN 算法。在一個(gè)包含3 051 例（8.4%）曾有至少一次明確房顫的患者測試集中，所訓(xùn)練的AI 輔助算法實(shí)現(xiàn)正確預(yù)測的AUC 可達(dá)0.87（95%CI：0.86～0.88），提示基于CNN 圖像識別技術(shù)的ECG 輔助分析算法對于細(xì)微、非特異性房顫特征的識別存在一定可行性。

2 無明確ECG 診斷標(biāo)準(zhǔn)的疾病

許多心血管疾病盡管缺乏明確ECG 診斷標(biāo)準(zhǔn)，但其相關(guān)的心臟結(jié)構(gòu)與功能變化仍有可能引起ECG改變。因而，利用AI 技術(shù)分析相關(guān)ECG 并進(jìn)行預(yù)測，有望用于提高疾病診斷驗(yàn)前概率，輔助高危人群的早期診療。

2.1 左心功能不全

左心功能不全與相關(guān)臨床危險(xiǎn)因素、B型利鈉肽、某些心電圖特征等顯著相關(guān)，但其預(yù)測效能均欠佳，疾病篩查的成本-效益比有待考量[14]。為提高基于ECG 信息的左心室功能不全的診斷效能，Attia 等[15]納入來自44 959 例患者的12 導(dǎo)聯(lián)ECG 構(gòu)建了一個(gè)預(yù)測左心室收縮障礙（LVSD）的CNN 模型，該模型在52 870 例患者的外部驗(yàn)證中取得了較好的預(yù)測效果（AUC：0.93）。同時(shí)，即使被該模型識別為陽性、但實(shí)際目前非LVSD（即假陽性）的患者，其未來發(fā)生LVSD 的風(fēng)險(xiǎn)相比陰性患者升高4 倍以上，提示模型預(yù)測結(jié)果存在一定預(yù)后危險(xiǎn)分層價(jià)值。Jentzer 等[16]進(jìn)一步構(gòu)建了一個(gè)LVSD死亡風(fēng)險(xiǎn)預(yù)測AI-ECG模型，預(yù)測結(jié)果與住院死亡率（校正后OR=1.05，95%CI：1.03～1.08）及1 年死亡率（校正后HR=1.04，95%CI：1.03～1.05）相關(guān)。同樣，Kagiyama 等[17]構(gòu)建了一個(gè)預(yù)測左心室舒張速度的AI-ECG 模型，其內(nèi)部驗(yàn)證和外部驗(yàn)證平均絕對誤差分別為1.46 cm/s 和1.93 cm/s，提示ECG 有望作為左心舒張障礙的初步預(yù)測手段。

2.2 肥厚型心肌?。℉CM）

HCM 存在相應(yīng)的非特異ECG 表現(xiàn)（如電軸左偏、左心室高電壓、T 波倒置和異常q 波等）。Ko等[18]納入梅奧診所3 060 例HCM 患者及63 941 例對照，訓(xùn)練并驗(yàn)證了一個(gè)HCM 的CNN 預(yù)測模型，AUC 可達(dá)到0.95（95%CI：0.94～0.97）；亞組分析提示該模型在年輕人（＜ 40 歲）中的診斷效能尤其好。Tison 等[19]基于36 186張12導(dǎo)聯(lián)ECG所構(gòu)建的CNN-ECG 模型在結(jié)合臨床變量基礎(chǔ)上對HCM 預(yù)測的AUC 可達(dá)到0.91（95%CI：0.90～0.92）。研究者進(jìn)一步發(fā)現(xiàn)，對該模型HCM 預(yù)測具有高度提示意義的ECG 特征包括V1導(dǎo)聯(lián)ST-T 段后半段、P 波時(shí)長、QT 間期、PR 間期等。

2.3 心臟瓣膜病

超聲心動圖為心臟瓣膜疾病的主要評估與診斷方式[20]，但ECG 中也存在許多疾病相關(guān)信息。Kwon 等[21]納入32 186 張ECG 構(gòu)建了一個(gè)預(yù)測主動脈狹窄（AS）的CNN 模型，在10 865 張ECG 構(gòu)成的外部驗(yàn)證隊(duì)列中，該模型的AUC 可達(dá)到0.861（95%CI：0.858～0.863）。靈敏度分析提示，胸前導(dǎo)聯(lián)T 波為模型識別重度AS 的關(guān)鍵ECG 特征。Cohen-Shelly 等[22]利用梅奧診所258 607 份ECG 也構(gòu)建了一個(gè)CNN 模型（AUC：0.85），在15 年隨訪中顯示，即使被模型預(yù)測為假陽性的患者，其發(fā)生中重度AS 的風(fēng)險(xiǎn)是真陰性患者的兩倍以上（HR=2.18，95%CI：1.90～2.50），提示這種基于ECG 的模型預(yù)測結(jié)果可作為AS 疾病預(yù)測的潛在“生物標(biāo)志”?；陬愃频姆椒ǎ琄won 等[23]納入56 670 張ECG 構(gòu)建CNN 模型以預(yù)測中重度二尖瓣反流，也獲得了較好的預(yù)測效能（AUC：0.877），提示AI 分析技術(shù)有望提高多種心臟瓣膜病的ECG 預(yù)測效能。

3 基于PPG 信號的心電分析

相較傳統(tǒng)數(shù)理統(tǒng)計(jì)分析，AI/ML 模型可自動提取、整合大量潛在PPG 信號特征用于模型預(yù)測（表1），利用高效的分析計(jì)算能力，深入發(fā)掘變量間的復(fù)雜關(guān)聯(lián)性，提升模型整體的預(yù)測效果。

表1 基于PPG 信號的心律失常監(jiān)測研究

可穿戴設(shè)備因其無創(chuàng)、便攜性，可實(shí)現(xiàn)對于機(jī)體生物信號的連續(xù)監(jiān)測與采集。智能手表為近年來最廣泛普及與研究的可穿戴智能設(shè)備，其已實(shí)現(xiàn)通過PPG 信號采集以監(jiān)測、預(yù)測心律失常事件的發(fā)生。2017 年基于美國大規(guī)模社區(qū)人群的Apple 心臟研究入組419 297 例蘋果手表使用者，在為期117 d的中位觀察時(shí)間中，共2 161 例（0.52%）佩戴者收到不規(guī)則心律提示，其中450 例受試者完成后續(xù)確診性ECG 評估；結(jié)果顯示，明確診斷房顫的比例（即陽性預(yù)測值，PPV）為34%（95%CI：29%～39%）[29]。類似地，Guo 等[30]納入187 912 例華為智能手表使用者的華為心臟研究中，262 例受試者收到可疑通知且完成確診評估，其中227 例最終確診存在房顫，PPV 為91.6%。相比于Apple 心臟研究，華為心臟研究對PPG 信號分析額外制定了一套更為嚴(yán)苛的規(guī)則判斷算法，以提高其發(fā)出的可疑房顫通知的準(zhǔn)確性。盡管目前消費(fèi)市場上已有多種具備類似心律監(jiān)測功能的可穿戴設(shè)備，但達(dá)到醫(yī)療器械監(jiān)管要求的設(shè)備數(shù)量仍較少。

由于可穿戴設(shè)備需要與人體直接接觸采集PPG信號，因而易受采集部位移動帶來的影響。近年來，出現(xiàn)了以分析現(xiàn)成視頻影像中監(jiān)測部位光線顏色變化進(jìn)而提取出視頻PPG（iPPG）的非接觸式PPG 技術(shù)，以期用于廣泛人群中更優(yōu)成本-效益比的房顫篩查。Yan 等[31]通過智能手機(jī)攝像頭采集217 例住院患者的面部視頻錄像，進(jìn)而提取iPPG 信號并分析其脈搏間變異性，以實(shí)現(xiàn)房顫檢出。研究結(jié)果顯示，基于iPPG 的房顫監(jiān)測靈敏度和特異度分別為95%和96%，且與同期采集的指尖PPG 信號監(jiān)測房顫的結(jié)果具有高度一致性（k=0.86，95%CI：0.79～0.93），初步驗(yàn)證了分析iPPG 用于房顫監(jiān)測的可行性。Yan等[32]進(jìn)一步利用iPPG 采集的非接觸特點(diǎn)，將5 例患者同時(shí)拍攝于視頻畫面內(nèi)，并利用一個(gè)此前驗(yàn)證用于房顫監(jiān)測的DNN 算法[25]來分析上述多例患者的iPPG。結(jié)果顯示，在區(qū)分房顫與竇性心律方面，算法靈敏度可達(dá)到93.8%，特異度為98.1%；且同時(shí)將一段視頻內(nèi)5 例患者均判斷正確的概率為79.7%。基于該研究所展示的非接觸式、多人同時(shí)房顫監(jiān)測場景，將有望嘗試于房顫大規(guī)模社區(qū)人群篩查。隨著相關(guān)傳感器技術(shù)進(jìn)步以及基于PPG 心電分析設(shè)備研究的開展，未來在心律失常移動監(jiān)測領(lǐng)域?qū)⒂楷F(xiàn)出更多相關(guān)研究與產(chǎn)品[33]。

4 局限性及展望

盡管AI 模型預(yù)測效果在多項(xiàng)研究中已取得令人滿意的效果，但在臨床應(yīng)用與推廣方面仍存在較大阻礙，未來的工作應(yīng)注意以下幾方面。

4.1 AI 算法的外推性

目前AI 輔助心電分析研究多由單中心開展，其預(yù)測效能在外部研究的表現(xiàn)尚不明確。Attia 等[34]對其基于單中心ECG 所訓(xùn)練的LVSD 預(yù)測模型進(jìn)行外部驗(yàn)證時(shí)，模型靈敏度僅為26.9%，顯著低于其原始訓(xùn)練人群（靈敏度：86.3%）。對于數(shù)據(jù)驅(qū)動的AI 模型構(gòu)建而言，多中心的數(shù)據(jù)來源是訓(xùn)練數(shù)據(jù)體量與廣度的保證。此外，臨床實(shí)踐中不同中心、不同儀器所采集的心電信號種類與格式均可能存在差異，這將顯著影響模型于外部驗(yàn)證中的效能。因此，多渠道來源的訓(xùn)練數(shù)據(jù)與廣泛的外部驗(yàn)證，應(yīng)為此類AI 模型臨床應(yīng)用的重點(diǎn)。目前，已有公共數(shù)據(jù)庫（如PhysioBank、PhysioToolkit、PhysioNet[35]、PTBXL[36]等）為基于心電信息的AI 模型開發(fā)提供龐大且多樣的數(shù)據(jù)來源。

4.2 可解釋性

AI 算法結(jié)果的解釋性（“黑箱”問題）是限制其臨床應(yīng)用的主要困難，也是包括監(jiān)管部門、臨床醫(yī)師以及患者等多方參與者是否信任AI 算法的重要前提。Lin 等[37]通過對不同面部區(qū)域的遮蓋，從而明確所開發(fā)的基于面部照片的冠心病AI 算法預(yù)測的重點(diǎn)關(guān)注區(qū)域，與既往文獻(xiàn)報(bào)導(dǎo)的冠心病相關(guān)面部特征存在一致性。這在提示算法可能工作原理的同時(shí)，提升了算法效果的可信度。類似地，Cohen-Shelly 等[22]借助顯著性地圖分析展示了算法關(guān)注的ECG 重點(diǎn)區(qū)域。Bouzid 等[9]則通過結(jié)合專業(yè)領(lǐng)域知識與算法數(shù)據(jù)篩選，共同提取73 個(gè)與ACS 相關(guān)的ECG 特征，進(jìn)而利用這些特征構(gòu)建了一個(gè)內(nèi)在可解釋的ACS 預(yù)測算法。這類AI 算法可解釋性研究不僅增加了算法預(yù)測的可信度，也有助于發(fā)現(xiàn)新的臨床知識。

4.3 AI 算法的臨床場景與獲益

目前基于AI 算法的心電分析涉及疾病的篩查、診斷及預(yù)后等多種臨床場景，尚未明確其在實(shí)際臨床診療中的最佳運(yùn)用環(huán)節(jié)及適應(yīng)證等，且普遍存在回顧性數(shù)據(jù)采集、缺乏嚴(yán)格外部人群驗(yàn)證等問題，仍應(yīng)通過開展前瞻性臨床試驗(yàn)來論證其是否能夠帶來臨床獲益。Glissen 等[38]開展的全球首個(gè)驗(yàn)證AI算法臨床有效性的獨(dú)立外部隨機(jī)對照臨床試驗(yàn)，論證了在臨床中醫(yī)師在基于結(jié)腸鏡視頻的AI 輔助下，相比單純醫(yī)師常規(guī)診療的腺瘤漏診率降低近36%，單次腸鏡平均腺瘤檢出率增加近33%，明確了該AI算法的臨床應(yīng)用場景及獲益。

5 總結(jié)

心電信號如ECG、PPG 在臨床具有重要應(yīng)用價(jià)值，AI 技術(shù)有望充分發(fā)掘其中大量未知信息、提高心電信號分析的預(yù)測效果。目前，基于AI 技術(shù)的心電信號分析模型已在多種心血管疾病的診斷中展示出較高的預(yù)測效果。搭載于可穿戴設(shè)備的PPG 信號采集可實(shí)現(xiàn)長程、持續(xù)的心律監(jiān)測，而非接觸式的iPPG 信號則有望進(jìn)一步提高疾病篩查的效率。目前研究的主要局限性包括模型訓(xùn)練與驗(yàn)證的數(shù)據(jù)庫來源單一、缺少高質(zhì)量的外部人群驗(yàn)證、模型機(jī)制與結(jié)果的可解釋性工作較不足等方面。因此，未來研究應(yīng)將模型外推性、可解釋性以及真實(shí)臨床場景評估作為研究的重要方向。

利益沖突：所有作者均聲明不存在利益沖突