摘要：心電圖用于分析各種心臟相關疾病，在心血管疾病診斷方面非常重要，而心電圖檢查數(shù)據(jù)量大且報告醫(yī)生水平參差不齊，容易有漏診或誤診。人工智能的應用使得大規(guī)模心電數(shù)據(jù)的自動診斷得以實現(xiàn)，多種深度學習算法的組合應用使心電特征波的識別效率得到明顯提升。文章提出了一種結合傳統(tǒng)推理和新興深度學習算法的心電AI診斷模型，其中QRS波群識別采用自注意力機制的語義分割網(wǎng)絡，P波識別采用基于生成對抗網(wǎng)絡的半監(jiān)督學習。該模型在MIT-BIH心律失常數(shù)據(jù)庫上驗證，敏感度達到99%。將模型結合心電診斷系統(tǒng)，文章設計了一套基于AI的心電輔助診斷系統(tǒng)并應用于臨床業(yè)務，可在心電AI的輔助下，減輕醫(yī)生工作負擔，提高醫(yī)生的工作效率及報告準確率。

關鍵詞：心電圖；人工智能；輔助診斷；系統(tǒng)設計

中圖分類號：TP391

文獻標志碼：A

0 引言

當前，我國心血管疾病患者人數(shù)約為3.3億^［1］，患病率及死亡率處于上升階段，其死亡率高居所有疾病的首位，嚴重威脅國民健康。心血管疾病具有防控投入大、管理難、救治不及時等特征。心電圖是反映心臟興奮的電活動過程，可以用于鑒別與分析各種心律失常、心肌受損的程度以及心房心室的功能結構等，在心血管疾病的診斷方面有重大作用。我國心電圖檢查數(shù)量非常大，靜息心電圖檢查大概2.5億人次/年，動態(tài)心電圖檢查約為3500萬人次/年，然而高水平的心電圖報告醫(yī)生尤其是可以出具動態(tài)心電圖報告的醫(yī)生數(shù)量缺口非常大，迫切須要采用智能輔助診斷技術來協(xié)助提高醫(yī)生的工作效率，同時降低漏診率及誤診率。

隨著醫(yī)院信息化的建設，心電圖的數(shù)字化存儲和信息化共享使得各家醫(yī)院心電大數(shù)據(jù)平臺日益完善。同時，全國各地都在推進區(qū)域心電診斷平臺和心電一張網(wǎng)的建設，為采用人工智能（Artificial Intelligence，AI）技術分析心電數(shù)據(jù)提供了訓練及驗證的數(shù)據(jù)基礎。心電AI分類算法自從20世紀70年代以來經(jīng)過半個多世紀的發(fā)展，已經(jīng)日趨成熟，雖然還不能完全替代人工診斷，但隨著算法準確性的逐步提高，已經(jīng)可以在靜息心電和動態(tài)心電業(yè)務中實現(xiàn)快速和精確診斷，提高了臨床工作效率；同時，通過實時監(jiān)測和自動預警，危急患者可以被早篩查、早發(fā)現(xiàn)、早治療。AI的輔助可以將醫(yī)務人員從煩瑣的圖形識別中解脫出來，減輕醫(yī)師負擔，緩解醫(yī)療資源緊張，造福廣大患者。本文通過設計基于AI的心電輔助診斷系統(tǒng)，探討其在臨床心電輔助診斷業(yè)務的應用，為提高AI輔助診療的準確性和可靠性提供支撐。

1 系統(tǒng)架構

基于AI的心電輔助診斷系統(tǒng)架構如圖1所示，按照前端、業(yè)務服務、數(shù)據(jù)庫、接口服務、硬件等功能分區(qū)，將各模塊分為5個層級，分別為展現(xiàn)層、核心功能層、數(shù)據(jù)庫層、接口服務層、硬件支撐層。各層的詳細功能解析如下。

1.1 展現(xiàn)層

供臨床醫(yī)生使用的客戶端，包括靜息心電檢查、靜息心電診斷、動態(tài)心電分析、實時動態(tài)心電預警4大功能模塊。

1.2 核心功能層

由心電圖機采集的心電圖數(shù)據(jù)提交至服務器后，由AI心電輔助診斷模型進行AI自動分析，分析完成后，提交至前臺客戶端供醫(yī)生在進行靜息心電診斷、動態(tài)心電分析時引用，最終由人工審核確認后提交報告。

1.3 數(shù)據(jù)庫層

整個系統(tǒng)所涉及的數(shù)據(jù)存儲通過客戶端本地緩存數(shù)據(jù)庫及服務器端持久數(shù)據(jù)庫進行存儲；涉及客戶端的自定義配置通過客戶端的本地配置文件進行配置。

1.4 服務層

客戶端與服務端的通信通過客戶端與服務端的接口來實現(xiàn)，包括業(yè)務接口、數(shù)據(jù)傳輸接口、數(shù)據(jù)訪問接口、AI自動分析相關結果獲取接口等。

1.5 硬件支撐層

硬件支撐層包括用于部署服務器端的服務器硬件、安裝客戶端所需的電腦、靜息心電圖機、動態(tài)心電圖監(jiān)測儀等。

1.6 局域網(wǎng)

整個系統(tǒng)的服務部署在醫(yī)院內(nèi)網(wǎng)服務器端，所有客戶端通過內(nèi)部局域網(wǎng)與服務器端的接口進行通信、交互數(shù)據(jù)，與互聯(lián)網(wǎng)實現(xiàn)物理隔離，保障了數(shù)據(jù)安全。

2 AI心電輔助診斷模型

為了保證所建立的AI診斷模型的準確性，本文選用了MIT-BIH心電數(shù)據(jù)庫作為研究數(shù)據(jù)集。MIT-BIH心電數(shù)據(jù)庫是目前國際上應用最多的數(shù)據(jù)庫，由很多子數(shù)據(jù)庫組成。每個子數(shù)據(jù)庫包含某類特定類型的心電記錄，其中應用最多的是MIT-BIH心律失常數(shù)據(jù)庫和MIT-BIH QT數(shù)據(jù)庫。國內(nèi)外許多心電方面的研究都使用該數(shù)據(jù)庫作為實驗數(shù)據(jù)的來源和各類識別算法的檢測標準。本文使用了MIT-BIH心律失常數(shù)據(jù)庫。此庫有48條記錄，每條記錄長度是30 min，心電信號的采樣率為360 Hz，每條記錄都包含權威專家的注釋^［2］。

心電圖醫(yī)生常規(guī)讀圖的基本流程是：識別P-QRS-T復合波群→測量特征參數(shù)→根據(jù)心電圖知識推理得到診斷結論。本文遵循這個流程，按照數(shù)據(jù)預處理、心電數(shù)據(jù)特征提取、自動分類的流程開展研究。

2.1 對數(shù)據(jù)集進行預處理

首先對數(shù)據(jù)集進行預處理，包括去噪處理、數(shù)據(jù)切分、信號標準化。心電信號微弱且不平穩(wěn)，在采集過程中容易受到儀器、人體和周邊環(huán)境的干擾產(chǎn)生噪聲，主要包括：基線漂移、肌電干擾、工頻噪聲等。本文選取了小波變換濾波去除基線漂移；選用了IIR50 Hz陷波濾波器去除工頻干擾。由于心電記錄數(shù)據(jù)比較長，須要對心電信號進行切割。本文采用常規(guī)的心拍切分方法，先確定R波位置，再向前截取100個采樣點，向后截取150個采樣點，形成一個包含主要特征波形的心拍^［2］。為了便于提取特征點，本文采用Z-score標準化方法對心電信號進行標準化，將信號幅值限定在0到1之間^［3］。

2.2 心電特征點的提取

數(shù)據(jù)預處理完成后進行心電特征點的提取。醫(yī)生可以根據(jù)多年的心電圖診斷經(jīng)驗直接通過肉眼判斷，但是機器難以用規(guī)則對心電特征波模式進行枚舉。為了提高AI決策過程的可解釋性和準確性，本文分階段應用深度學習算法^［4］，充分結合醫(yī)生的認知習慣，以盡可能減小黑箱效應。根據(jù)獲取標注數(shù)據(jù)的難易程度，本文采用不同的深度學習算法組合來提取特征波。QRS是相對較容易獲得數(shù)據(jù)標注的，采用基于語義分割的全卷積監(jiān)督模型進行狀態(tài)分割^［5］；P波的標注獲取難度較大，但包含或者缺少P波的心電數(shù)據(jù)很多，采取基于生成對抗網(wǎng)絡的半監(jiān)督模型進行學習^［6］；對于難度介于兩者之間的T波，采取主動學習的方式進行模型迭代和訓練集的擴充。

識別出特征波形后，可計算得到心電圖相關測值如P-R間期、QRS寬度、ST段偏移等。本文心電圖測值的依據(jù)是中華人民共和國醫(yī)藥行業(yè)標準 《記錄和分析型單道和多道心電圖機安全和基本性能專用要求》（YY_0782-2010）。本文采用了該標準規(guī)定的整體間期法，該測值方法符合國際自動化心電圖協(xié)會（International Society for Computerized Electrocardiology，ISCE）認可的《心電圖標準化與解析建議》。該標準的50.101.3.2章節(jié)規(guī)定了實際人體心電圖時限測量的要求，即把100個實際人體的心電圖數(shù)據(jù)，輸入心電圖機（數(shù)字信號或者是數(shù)模轉換后的信號）進行測試分析。測試結果將通過如下規(guī)則進行分析：首先如果測試數(shù)據(jù)有明顯的基準點（P、QRS起點/QRS終點和T終點）定位錯誤，那么可以排除該數(shù)據(jù)的測量誤差結果，由不超過4個基準點錯誤所導致的誤差是應該允許被排除的。其次，從剩余的測量結果中，除去偏離平均值最大的4個值。最后，計算剩余測量結果的平均誤差和標準偏差。

首先，將上述測值結合心電圖的領域常識進行判定得到初步的心電分類；其次，進一步將提取出的心搏特征點序列進行嵌入得到心電潛空間特征向量序列；最后，基于Transformer進行序列到序列的學習，從而建立全面可解釋的心電AI輔助診斷模型。

經(jīng)驗證，模型的敏感度可達99%，陽性預測值準確度可達98 %。

3 臨床應用效果

3.1 AI輔助診斷提高心電報告效率

心電圖千變?nèi)f化，須要臨床醫(yī)生尤其是心內(nèi)科醫(yī)生看得準而快，做到不誤判、不漏判。AI應用在心電診斷平臺系統(tǒng)中可以讓報告醫(yī)生直接引用AI分析的結果，減少手工編輯報告的過程，提升了診斷效率。人工與心電AI的配合降低了判讀的人為誤差。

在動態(tài)長程心電圖診斷時，利用人機結合的方式可以快速定位陣發(fā)性房顫，AI輔助醫(yī)生初步篩選出疑似房顫區(qū)并進一步對房顫區(qū)的確定進行自動判定，大幅度提高了房顫判定效率以及準確性。

3.2 AI自動預警助力心電實時監(jiān)測

心電實時監(jiān)測是早期心腦血管疾病檢測的有效手段。通過對心腦血管病患者、亞健康乃至健康人群實施大規(guī)模的長程動態(tài)心電監(jiān)測，及時把異常狀況反饋給醫(yī)生并對可能導致嚴重后果的病因進行早期干預，顯著地降低了心腦血管病的病死/病殘率，極大地降低社會經(jīng)濟損失。

基于低功耗、低負荷設計的24小時動態(tài)心電監(jiān)測儀，可實現(xiàn)長程、連續(xù)監(jiān)測，是新的醫(yī)療監(jiān)測模式下最有效的監(jiān)測手段。長程實時心電監(jiān)護系統(tǒng)由心電云平臺、動態(tài)心電監(jiān)測儀、實時心電監(jiān)測系統(tǒng)組成。動態(tài)心電監(jiān)測儀可以通過移動網(wǎng)絡把采集到的心電數(shù)據(jù)實時傳輸至監(jiān)測平臺，部署在平臺上的AI自動分析模型，可以實現(xiàn)24小時在線的心電監(jiān)測、異常心電實時預警、長程數(shù)據(jù)分析等專業(yè)服務，將臨床醫(yī)師從電腦屏幕前解放出來。佩戴了動態(tài)心電監(jiān)測儀的心血管病患者和高危人群若發(fā)生異常心電情況，AI會自動報警，通過蜂鳴器、語音播報等提醒患者及家屬，同時通過屏閃、短信、電話等方式通知負責醫(yī)生，方便及時發(fā)現(xiàn)搶救高危的心臟病患者、及時預警惡性心臟事件的發(fā)生，此外也可以用于接受過心臟手術的患者術后長期隨訪。

3.3 AI質控促進診斷標準統(tǒng)一化

心電圖醫(yī)生診斷水平參差不齊，但人力有限，專家無法對全部報告進行質控。將AI引入心電報告質控分析流程，通過比對AI分析結果和醫(yī)生診斷結論，篩選出差異數(shù)據(jù)，專家進行特別關注和審核，再由專家進行最后的判定分析，極大地提高了質控的效率，使質控工作更有的放矢。同時，專家的再次審核確認結果，可以反過來不斷地訓練提升心電AI輔助診斷模型的準確性。質控分析結果極大地方便了醫(yī)院評估診斷醫(yī)生和診斷組的診斷質量，明確后續(xù)的培訓方向，增強培訓效果。通過對報告調度狀態(tài)實時監(jiān)控、診斷中心業(yè)務多維度分析，結合心電AI對心電檢查流程分析和心電診斷質量評估，實現(xiàn)了心電檢查流程規(guī)范化、診斷標準統(tǒng)一化，保證心電檢查診斷業(yè)務高質量高效率運行。

4 結語

本文結合心電圖自身的特點和心電專家判讀心電圖的過程，綜合傳統(tǒng)的推理和新興的深度學習方法，提出了心電AI輔助診斷模型，在MIT-BIH心律失常數(shù)據(jù)庫上實現(xiàn)了99%的敏感度和98%的陽性預測準確度。將高效可靠的心電AI模型與傳統(tǒng)的心電診斷平臺融合，提出了基于AI的心電輔助診斷系統(tǒng)，該系統(tǒng)應用在靜息心電圖診斷、動態(tài)心電分析、24小時動態(tài)心電監(jiān)測預警、報告質控等廣泛的業(yè)務場景中，在臨床工作中發(fā)揮了重要作用。醫(yī)生可以聯(lián)合心電AI進行報告判讀，對診斷正確的結論直接引用，減少了手工編輯報告的過程，提升了診斷效率。當出現(xiàn)疑似危急心電圖時，AI會提醒醫(yī)生優(yōu)先診斷，及時救治危急患者。通過AI輔助診斷技術與心電診斷的深度融合，可優(yōu)化心電檢查流程、提升心電診斷效率、提升服務質量和管理水平，從而不斷提升心電AI在臨床應用、業(yè)務管理和科學研究方面的價值。

參考文獻

［1］國家心血管病中心.中國心血管健康與疾病報告2022［M］.北京：中國協(xié)和醫(yī)科大學出版社，2023.

［2］王建榮，鄧黎明，程偉，等.基于CNN-LSTM-SE的心電圖分類算法研究［J］.測試技術學報，2024（3）：264-273.

［3］趙宇光.基于心電信號的身份識別算法研究［D］.南京：東南大學，2022.

［4］王淑紅.基于深度神經(jīng)網(wǎng)絡的多導聯(lián)多標簽心電圖分類研究［D］.鄭州：鄭州大學，2021.

［5］劉波.心電信號自動識別算法與心電監(jiān)測系統(tǒng)的設計與研究［D］.西安：西安建筑科技大學，2020.

［6］朱鋒，劉其朋.基于生成對抗網(wǎng)絡的半監(jiān)督圖像語義分割［J］.復雜系統(tǒng)與復雜性科學，2021（1）：23-29.

（編輯 王雪芬）

Design and application of ECG assisted diagnosis system based on AI

CAO Kaidi^{1， 2}， GUO Jianjun¹， GAO Wen¹， WANG Zhongmin³

（1.Information Office， Jiangsu Province Hospital， Nanjing 210029， China;

2.School of Biological Science amp; Medical Engineering， Southeast University， Nanjing 210096， China;

3.Medical Detection Departments Party Branch， Jiangsu Province Hospital， Nanjing 210029， China）

Abstract：Electrocardiogram （ECG） is used to analyze various heart-related diseases， which is very important in the diagnosis of cardiovascular diseases. However， due to the large amount of ECG data and the uneven level of reporting doctors， it is easy to be missed or misdiagnosed. The application of artificial intelligence enables automatic diagnosis of large-scale ECG data， and the combination of a variety of deep learning algorithms has significantly improved the recognition efficiency of ECG feature waves. In this paper， the authors proposed an ECG AI diagnosis model combining traditional reasoning and emerging deep learning algorithms. The QRS complex recognition adopts semantic segmentation network with self-attention mechanism， and the P wave recognition adopts semi-supervised learning based on generative adversarial network. The proposed model was validated on MIT-BIH arrhythmia database with a sensitivity of 99%. The model was combined with the ECG diagnosis system， and an AI-based ECG auxiliary diagnosis system was designed and applied in clinical practice. With the assistance of ECG AI， the workload of doctors is reduced， and the work efficiency and reporting accuracy of doctors are improved.

Key words：electrocardiogram; artificial intelligence; assisted diagnosis; system design