人工智能心电图诊断心肌病变的研究进展总结2026

人工智能心电图诊断心肌病变的研究进展总结2026根据《中国心血管健康与疾病报告2023》显示，在城乡居民疾病死亡构成比中，心血管疾病（cardiovasculardisease，CVD）所致死亡占居首位［1］。非缺血性心脏病和缺血性心脏病是主要影响人民生命健康的两大类CVD，其早期诊治能够有助于改善患者预后。在临床实践中，心脏磁共振（cardiacmagneticresonance，CMR）成像能够从微观和宏观角度，定量和定性结合，识别心肌病变，是诊断心肌病变的“金标准”，但其具有检查费用较高、耗时、耗力等缺陷，限制了在临床中的运用。相比之下，心电图（electrocardiogram，ECG）以快速、便宜、方便的方式，为检测心脏的生理和结构状况提供有价值的诊断线索。然而，尽管ECG的采集已有标准化的程序和规范，但是根据临床医生的经验和专业知识水平的不同，对心电的精准解释差异很大，并且难以准确捕捉到ECG的复杂性和细微差别。使用人工智能（artificialintelligence，AI）分析ECG能够准确识别人工基本上无法识别的信号和模式，实现对心电的快速解释［2-3］。基于ECG构建的AI-ECG模型能够从心肌的微观与宏观角度，经济有效地评估心脏结构与功能变化，准确诊断缺血性和非缺血性心脏病，显著提高心肌病变的诊断效率和改善患者预后。因此，本文将从研究背景、技术支撑和临床应用等方面对AI-ECG诊断心肌病变的研究进展进行论述。PART01AI-ECG诊断心肌病变的研究背景1.1

ECG特征反映心肌病变及时准确识别和评估心脏结构、功能、组织特征及微观结构等病理生理改变对于诊断心脏疾病至关重要。心脏的病理生理改变常导致心脏冲动产生和传导的异常，甚至发生心律失常。ECG除能够识别心脏结构和功能病变外，还可以反映心肌水肿、纤维化和淀粉样变等病理改变［4-6］。心肌水肿影响整个心脏的电均匀性，导致传导延迟，从而出现异常ECG。心肌水肿的ECG主要表现为倒置的T波和QTc间期延长［6］，有时还可出现QRS低电压。孤立性T波异常对于心肌水肿检测具有高度特异性。心肌纤维化是多种CVD共同存在的病理性重构过程，可导致心律失常、心力衰竭甚至心原性猝死等不良临床结局［7］。根据病因和部位，通常可分为弥漫性心肌纤维化/间质性纤维化和局部性心肌纤维化/心肌瘢痕。心肌纤维化的ECG特征主要表现为QRS碎裂波、病理性Q波、T波倒置、QRS低电压和QT间期延长。其中QRS低电压与左心室弥漫性心肌纤维化有关，而QT间期延长与心肌瘢痕有关。此外，有研究表明左心室纤维化除与心室去极化有关之外，还与心室复极和心房去极化的波形改变有关［8］。心脏淀粉样变（cardiacamyloidosis，CA）是因心脏中错误折叠的前体蛋白的不溶性纤维物质沉积，导致细胞外间隙的扩张或细胞内物质的积聚，进而出现PR间期延长、房室传导阻滞和QRS低电压。此外，CA还可出现假性梗死模式、窦房结功能障碍、室上性和室性期前收缩等心电特征［5］。其中，最显著的ECG异常是肢体导联与左心室厚度不成比例的QRS电压降低，其反映了疾病的晚期阶段［9］。因此，可见ECG的异常波形能够反映心肌病理生理病变。利用AI识别ECG记录心脏的异常电信号，能够有助于检测心脏病理生理改变，从而提高心脏疾病的诊断性能。1.2

CMR联合ECG验证心肌病变CMR不仅能够准确评估心脏结构和功能，还能利用钆对比剂延迟强化（lategadoliniumenhancement，LGE）、T1mapping、T2mapping和细胞外容积分数（extracellularvolumefraction，ECV）等技术从心脏组织特征及微观结构等方面多维度表征心脏病理生理信息，在心脏疾病诊断中发挥巨大作用［10］。LGE成像技术利用钆对比剂在细胞外的分布体积分数差异来识别异常心肌，能够准确识别心肌梗死及局部心肌纤维化，而T1mapping则能够通过计算ECV进一步定量评估心肌弥漫性间质纤维化；T2mapping技术则以T2WI为基础，可定量精确测量T2时间，准确表征心肌水肿。此外，CMR通过多参数、多序列成像，还可以准确检测包括心肌出血、淀粉类及脂类物质浸润等CVD常见的病理学特征。有研究表明，ECG特征与CMR的组织特征具有显著相关性。Fischer等［11］收集了587例行ECG与CMR检查的疑似急性或亚急性心肌炎的患者，以分析ECG特征与CMR参数的相关性。研究结果表明，宽QRS-T角、低电压和QRS碎裂波与LGE显著相关，当QTc间期延长时，T2值升高更常见。而Arcari等［6］收集32例Takotsubo综合征患者和23例对照受试者，分析T1和T2mapping图像以及ECG特征，以评估Takotsubo综合征患者的CMR特征与心电异常之间的关系。研究发现，室间隔T2值、初始T1值、ECV和aVR导联电压显著相关，倒置T波和QTc间期与心尖基底部T2标测梯度相关。通过ECG特征可能能够识别CMR检测的心脏病理生理改变，进一步证实了ECG识别心肌病变的价值和潜力。此外，基于CMR识别心肌病变的准确性以及其影像参数与ECG特征的相关性（图1）［11］，可以利用CMR技术验证AI-ECG诊断心脏疾病的准确性。注：ECG，心电图；CMR，心脏磁共振；AnyECGAbnormality，任何心电图异常；fQRS，QRS碎裂波；Lowvolitage，低电压；QRS-TAngle，QRS-T角；QTcInterval，QT间期；QRSInterval，QRS间期；QWave，Q波；T-waveInversion，T波倒置；LGE，钆对比剂延迟强化；ECV，细胞外容积分数；NativeT1，初始T1；LVEF，左心室射血分数；PericardialEffusion，心包积液；Mechanism，机制图1ECG参数与CMR的组织特征的相关性［11］PART02AI-ECG诊断心肌病变的技术支撑机器学习（machinelearning，ML）和深度学习（deeplearning，DL）两种AI算法都能运用于ECG信号分析，实现对心脏疾病的分类和诊断［12-13］。大多数AI-ECG技术主要通过三个阶段来实现：预处理、特征提取以及分类。心电信号预处理是消除原始心电信号中的各种噪声干扰，从而得到噪声干扰已被消除或已得到明显抑制的心电信号。变换是从信号中去除噪声的有效方法，例如连续、离散小波变换［14］和傅里叶变换［15］。特征提取是根据信号特性，从波形信号中提取重要特征。提取ECG波形相关特征包括ECG定位和ECG分割两类。ECG定位算法主要是定位ECG相关的标志物（如P波、QRS波和T波的开始点、结束点和峰值点）。而ECG分割执行波形的分割，准确提取单次心脏搏动的波形［16］。对于分类阶段，可以通过DL和ML算法对心电信号特征进行分析，以实现对ECG准确分类。ML利用数据和计算机算法，使系统自动学习来改善性能，主要包括线性判别式（LD）、自适应提升（AdaBoost）、支持向量机（SVM）、K近邻（KNN）、随机森林（RF）等。ML算法现已广泛用于ECG信号解释，但其在特征提取方面，在很大程度上需要大量的专业领域知识来手工提取特征。DL是ML的一种特殊类型，它通过利用多个处理层来模仿人脑表达多层次抽象的数据，从而捕获大量数据的隐藏信息。DL主要分为卷积神经网络（convolutionalneuralnetwork，CNN）和递归神经网络（recurrentneuralnetwork，RNN）。ECG通常被分类为时间序列数据，包括在特定时间跨度内以频率记录的电压幅度［17］。对于时间序列数据，传统的全连接网络由于缺乏保留过去信息的机制，无法有效地学习数据。RNN适用于学习时间序列数据，但其需要顺序处理，在并行计算能力方面受到限制。与RNN相比，CNN只需要原始数据，能够有效地并行化，并且可以检测跨时间的局部模式［18］。因此，CNN在提取和分析ECG信号特征方面具有优越性，有助于临床医生对ECG快速识别并做出准确决策。PART03AI-ECG诊断心肌病变的临床应用基于AI分析ECG能够有效弥补常规ECG人工识别敏感性和（或）特异性较差的缺陷。通过AI-ECG能够检测心脏的微观病理改变和宏观结构与功能病变，对缺血性和非缺血性心脏疾病的早期诊断与临床决策具有重要意义（表1）。表1AI-ECG诊断心肌病变的临床应用注：AI-ECG，人工智能-心电图；AUC，受试者工作特征曲线下面积；CNN，卷积神经网络；BWH，布莱根妇女医院；MGH，麻省总医院；UCSF，加州大学旧金山分校；PTB，德国联邦物理技术研究院；DLM，深度学习模型；a根据患者心电数据量划分训练集；b将心电数据随机分成大小分别为70%、15%、15%的训练、验证和测试数据集；—，无数据3.1

利用AI-ECG早期识别非缺血性心脏病3.1.1

肥厚型心肌病肥厚型心肌病（hypertrophiccardiomyopathy，HCM）是青少年和年轻人重要的心原性猝死病因，其早期诊断对心脏性猝死风险分层、遗传咨询、家庭筛查和纵向临床随访具有重要意义。Ko等［19］通过构建CNN模型以区分HCM与非HCM的对照患者，经ECG数据训练后，在测试数据集上进行模型性能测试，结果显示模型的受试者工作特征曲线下面积（areaundercurve，AUC）为0.96，敏感度为87%，特异度为90%。在符合左心室肥厚的ECG标准和ECG正常的患者中，模型性能依然表现良好。因此，基于AI分析ECG特征能够有效区分左心室肥厚和HCM患者，解决了临床上左心室肥厚与HCM难以鉴别的问题。Chen等［27］进一步利用12导联ECG构建CNN预测HCM患者的基因型，发现AI模型在预测基因型方面具有较好的效果，其性能优于梅奥评分和多伦多评分。此外，与预测基因型阴性的患者相比，AI-ECG预测基因型阳性的患者心原性猝死风险显著升高。可见AI-ECG能够早发现HCM，并在基因型预测和风险评估方面发挥重要作用。3.1.2

扩张型心肌病对于扩张型心肌病（dilatedcardiomyopathy，DCM），即便在无症状患者中，早期诊断也能通过指南指导的药物和器械治疗降低患者的发病率和死亡率。为此，Shrivastava等［20］构建了AI-ECG模型来早期检测DCM，在DCM和左心室射血分数正常的对照患者中评价了AI算法诊断DCM的性能。研究发现，AI-ECG对DCM的检测具有较高的敏感性和阴性预测值，可作为一种简单且具有成本效益的筛查工具。Sammani等［28］进一步构建了可解释深度神经网络（deepneuralnetwork，DNN）来检测具有危及生命的室性心律失常风险的DCM患者。该研究分为两个阶段，首先开发一个经过训练的变分自动编码器DNN将ECG压缩为21个不同的因子，之后将这些ECG因子输入复合室性心律失常风险结局的Cox回归模型中，从而可视化关键ECG特征来解释模型。研究结果表明，DNN可以通过识别P波异常来检测具有室性心律失常风险的患者。因此，AI-ECG有望成为一种经济有效的DCM早期筛查和风险评估工具，降低疾病风险和负担。3.1.3

CA对于CA，诊断延迟通常是获得适当治疗的障碍，其可能迅速进展并致命，因此早期诊断至关重要。Grogan等［21］收集了2000—2019年在梅奥诊所就诊的2541例CA和年龄、性别匹配的2454例对照患者的12导联ECG数据，分别使用单导联、6导联和12导联的ECG构建并训练DNN以预测CA，并在测试集上评价模型的性能。同时，进一步收集了诊断前6个月至5年期间记录的所有可用ECG进行时间分析，以评估模型在临床诊断日期之前检测CA的能力。研究结果显示，使用12导联ECG的模型AUC值为0.91，优于6导联和单导联模型。此外，在具有连续ECG的患者中，该模型能够在临床诊断之前预测CA。Goto等［22］以ECG和超声心动图为输入分别构建CNN模型，并分别在3个和5个学术医疗中心训练和验证，检测CA的C统计量分别为0.85～0.91和0.89～1.00。在67%的召回率下，ECG模型预筛查提高了超声心动图模型的性能，阳性预测值从33%提高到74%～77%。上述证实了使用ECG构建的DL模型有助于CA的筛查和早期检测，可迅速开始针对CA的疾病治疗。3.2

利用AI-ECG早期识别缺血性心脏病缺血性心脏病也称冠状动脉粥样硬化性心脏病，主要由冠状动脉粥样硬化引起管腔狭窄或闭塞，进而导致心肌缺血缺氧，随疾病进展表现心肌水肿、损伤、坏死以及纤维化等一系列病理生理改变。而通过AI-ECG能够有助于早期识别缺血性心脏病患者的心肌病理生理改变以指导临床实践，从而降低疾病负担和改善患者预后。Sun等［23］使用集成学习来整合通过确定性学习获得的ECG动态特征以构建模型，用于识别ECG波形细微变化，从而诊断患者的心肌缺血。在三家独立医疗中心收集的383例心肌缺血患者和116例非心肌缺血患者的数据集中训练和测试后，模型的准确性达到89.10%。心肌损伤和梗死的快速识别和准确诊断对于患者及时治疗至关重要。Chaudhari等［24］使用了来自加州大学旧金山分校的32479例患者的64728份ECG，将心电数据随机分成70%、15%、15%的训练、验证和测试数据集，以构建一种CNN识别肌钙蛋白I定义的心肌损伤。研究表明，CNN可准确识别肌钙蛋白I的升高，其阈值分别为0.02μg/L和1.0μg/L时模型的AUC值分别为0.783和0.802。在一项回顾性队列研究中，Liu等［25］收集了来自737/287例经冠状动脉造影证实的ST段抬高型心肌梗死/非ST段抬高型心肌梗死患者的1051/697份ECG和来自急诊科76775例非急性心肌梗死患者的140336份ECG，以构建一种DL模型。模型分别在80%和20%的ECG中进行了训练和验证，并进行了一场人机竞赛。研究结果显示，在人机竞赛中，DL模型检测ST段抬高型心肌梗死的AUC值为0.976，明显优于临床医生。此外，模型显示出独立诊断ST段抬高型心肌梗死的能力，