编者按：2021欧洲心脏病学会（ESC）年会Late Breaking Science in Artificial Intelligence & Digital Health公布了三项最新科学研究，本刊特邀中国人民解放军总医院陈韵岱教授团队对其中的两篇研究进行专题点评，与您一同深入学习。

 

 

 

    哪些心衰人群有较高的风险，并能够从预防心衰的治疗中获益目前尚不明确。既往研究表明，深度神经网络（DNN）可通过识别心电图特征对人群进行风险识别。本研究使用DNN识别心电图特征，以期对高风险的心衰患者进行早期识别。

 

    本研究为一项单中心研究，纳入2008-2018与当地医院行12导联ECG检查且年龄>18岁的患者。排除标准为：ECG检查前出现心衰、心电图规格不符或无效检测。在2008-2018年的研究期间，入选患者均于诊断心力衰竭或随访截止前进行过一次或多次心电图检查。131827例心电图分别用于构建模型（70%）、模型调优（15%）及内部验证（15%），该人群中位随访时间2.5年。11392例心电图用于外部验证，该人群中位随访4.8年。

 

    本研究中所采用的机器学习方法为深度神经网络，只纳入500HZ 12导联心电图中I、II及V1-6导联进行模型构建，预测目标为ECG后以ICD10编码为标准诊断的心力衰竭（包括射血分数下降、保留及中间值的心衰）。此外，研究还使用基线信息构建临床Logistic回归预测模型（变量包括年龄、性别、高血压、房颤、冠心病、慢性肾病、糖尿病），并将其与DNN模型结合，对Logistic模型、DNN模型及Logistic结合DNN的模型三者进行了比较。使用AUC（曲线下面积）、NRI（净重新分类指数）及IDI（综合判别改善指数）对模型进行比较。

 

    研究结果显示，DNN模型比临床Logistic回归模型对于未来心衰事件发生的识别能力更佳（AUCDNN : AUClogictica =0.807:0.730， p<0.00001 ；NRI：0.432-0.482 ；IDI：0.144，图1）。在与Logistic临床模型相结合后，AUC曲线进一步升高至0.826， 即使在外部验证中，该综合模型的AUC也达到了0.785（图2）。

 

 

图1 DNN模型与Logistic临床模型ROC曲线分析

 

 

图2 内部验证（左）与外部验证集（右）中 DNN与临床Logistic联合模型ROC曲线分析

 

 

    本研究以500HZ 12导联心电图数据为输入变量，构建深度神经网络模型，对ECG后诊断的心力衰竭进行学习与预测，力图进一步识别心力衰竭高风险的潜在人群，以对该人群开展早期治疗、进一步改善患者预后。

 

    心力衰竭由于风险性高，往往伴有未来较高的心血管不良事件发生率，对其进行早期诊断及治疗以避免进一步结构及功能损害尤为重要。其标准诊断实验包括胸部X线、超声心动图、磁共振等影像学及功能学评估手段，均具有一定诊断成本。相比之下，心电图简单快速，患者依从性较高。然而，心电图对心力衰竭的识别特异性不高，且由于图像来源于电信号记录，心电图具有一定的变异性，可能导致诊断准确性下降。本研究中使用机器学习模型对心电图变量进行识别，为此提供了新的解决途径。

 

    基于技术手段不断革新，多种AI算法被提出，并应用于疾病诊断及风险预测领域。深度神经网络（DNN）是机器学习范畴中一种复杂算法，得益于多个和多层神经元的引入，DNN对特征提取能力强，在高通量、高维度数据集的表现上优于其他传统的机器学习模型。此外，由于神经元节点较多，损坏后可以进行代偿，这导致DNN的容错能力也十分强大。由于其特征提取能力强，该算法常被用于解决影像问题，目前已成功应用于多种疾病的诊断，包括糖尿病视网膜筛查及癌变的诊断。在心电图的识别上，前期有研究团队开发了Cardiologs、Veritas等模型，对心电图进行判读，以对心房颤动进行诊断。结果显示，Cardiologs对房颤患者的诊断准确性高达90%，与Veritas联合医师的诊断准确性相当。

 

    然而，DNN作为一种复杂的网络结构，也存在不足之处。如所有机器学习模型，具有黑盒性，对于网络运算的具体流程及定义无法进行详细阐明，此外，由于复杂神经元网络的引入，其复杂度和使用成本均较高，若进行监督学习，则相对导致人工标注成本的上升，这也是该网络无法大规模开展应用的原因之一。而本研究中，DNN虽然以心电图，即影像资料作为输入层，但其预测目标并非图像标注结果，而是预测心力衰竭的发生，这一定程度上降低了研究成本，也为DNN的应用提出了新的思路。此外，该研究引入样本例数较大，这导致DNN模型可能具有较好的广泛适用性。

 

    本研究中部分内容有待商榷。研究中出现同一患者的多份心电图作为变量进行模型构建的情况，这可能会造成在构建模型的过程中相当一部分相似数据的引入，进而导致模型过拟合，使其对外部数据的预测能力下降。

 

    专家简介

 

 

    陈韵岱教授

 

    中国人民解放军总医院心血管病医学部，主任医师、博士生导师，心脏介入学和心血管影像学的学术带头人。现任解放军总医院心血管病医学部主任、全军老年心血管病研究所所长。兼任中国医疗保健国际交流促进会心血管病学分会主任委员、全军心血管内科专业委员会主任委员、中国医师协会胸痛专业委员会副主任委员/心血管内科医师分会常务委员、中华医学会心血管病学分会委员，《Journal of Geriatric Cardiology》（SCI收录）主编。

 

    先后主持国家及省部级课题21项；牵头国内外多中心临床研究22项，获省部级二等奖以上科技成果6项，作为第一完成人获国家科技进步二等奖1项（2019年）、省部级成果一等奖2项、二等奖3项，授权国家发明专利12项，近5年以第一或通讯作者在JACC、JACC-Cardiovascular Imaging和J Pineal Research等国际知名期刊发表论文143篇，IF最高20.59，主编专著5部。近5年牵头并发布心血管病行业指南或专家共识5项。

 

    个人完成各类复杂介入手术近万例，国内率先突破“介入禁区”的无保护左主干病变介入治疗，临床成果被国际指南收录并推广里该项技术的中国应用。完成全军首例经皮主动脉瓣膜置入术、顽固性高血压Simplicity射频消融、在国际上首次完成OFR在线分析指导临界病变介入手术、国际首次使用混合现实技术完成下腔静脉滤器植入术。

 

    创办“心脏影像与心脏干预-CICI大会”、“INSIGHT”介入诊疗提高班、进行24次国际手术转播，为军内外培养大量介入骨干，为印度，日本、巴基斯坦等国家和地区培养200余名国际介入人员。兼任三所高等医学院校博士生导师，培养毕业研究生101人，包括博士后8人，博士45人，硕士48人。