随着便携式心电可穿戴设备的快速发展，新增的海量心电图数据的判别和诊断已经无法仅靠人工来完成。近年来人工智能和机器学习（ML），特别是深度学习，在辅助诊断、医学影像处理等领域
应用迅速发展，在心电图自动诊断方面也取得了诸多卓有成效的进展。
博士等对31篇文献进行了综述，总结了深度学习应用于心电图相关的五个领域的研究，包括心律失常、心肌病、心肌缺血、瓣膜病、高钾血症和其他非心血管疾病，并对其局限性和未来研究的方向进行了讨论。
概 述
人工智能在过去十年间发展迅速，已被广泛应用于医疗领域。
人工智能、机器学习和深度学习
人工智能有包括机器学习在内的多个领域，而深度学习又是机器学习的一个分支，深度学习技术在图像识别和语音识别中超越了传统机器学习。深度学习通过在模型中加入多层的计算单元并形成"深度"模型，从而获得强大的表示学习能力，能从数据中学习到多层次的抽象表征。
目前，卷积神经网络是最常用于分析心电图的深度学习方法。
心电图的数据分析
心电图信号可以用多种形式来表示，每种形式都可以用深度学习进行分析。心电图可以被分为固定长度的单个心脏搏动子样本，每个心电图可产生数百到数千个子样本，从中得出的特征可用于传统的深度学习网络，如全连接神经网络。此外，它可以作为二维布尔（0或1）图像而非一维信号发送，与基于图像的卷积神经网络高度兼容。
心电图分析所择的信号类型取决于可用的数据库。MIT-BIH房颤数据库是最早发布的数据库；心脏病学计算挑战赛的数据集通过引入了更大的数据库；MIMIC数据库也逐渐普及，提供了超过67000份ICU患者的心电图；医疗机构数据库也在逐渐增长，其心电图的数量已远超开放数据库。
心律失常
心律失常在成年人中的发病率约为3%，其中以房颤最为常见。通过心电图识别房颤受到许多研究的关注，主要涉及人工智能的信号处理、机器学习和深度学习等方面。
使用带有残差块的卷积神经网络可更有效地训练更深的模型，有研究者使用了来自126 526名患者的454 789份心电图进行训练，并取得了较好的性能结果。还有研究者使用深度学习，根据患者首个正常窦性心律的心电图预测了阵发性房颤。深度学习创新了心电图数据的提取方式，可辅助CHADS2-VASC指导隐源性卒中患者的抗凝治疗。此外，研究证实，心电图深度学习模型的诊断准确率可达到医务人员的水平，甚至略胜一筹。
心律失常是最常使用心电图进行鉴别诊断的心脏疾病，其诊断和治疗的重要性已得到了充分认识，但仍缺乏对心电图在患者管理中的直接作用的研究。需要进一步研究以评估深度学习在临床工作中的作用，例如，应用于筛查和诊断较为少见的疾病（如先天性长QT综合征）、更准确地诊断心律失常（如复杂的房室传导阻滞和宽QRS波快速性心律失常），以及为预测介入手术（如房颤消融术）的结果提供参考意见。
瓣膜病
心电图因缺乏敏感性而无法在传统的临床框架中诊断瓣膜病，但深度学习模型可通过发现瓣膜病的细微结构变化来进行诊断。
等研究了一个集合模型，该模型结合卷积神经网络对原始12导联心电图信号、人口信息和心电图数字特征（HR、QT间期、QRS持续时间、QTc等）进行分析，以对严重主动脉狭窄（AS）进行分类，在一个医疗中心的10865名患者中进行了验证并取得了良好结果，AUC为0.884。
随后，Kwon等对有明显二尖瓣反流的患者复制了上述研究，并使用一个医院系统中的24202名患者的56670份心电图进行训练，外部验证测试集由另一个医院的10865份心电图组成。该模型具有较高的灵敏度和阴性预测值，但特异性和阳性预测值较低，表明它可作为排除二尖瓣反流诊断的筛选工具。
心肌病
在心肌病领域，肥厚型心肌病（HCM）和左室收缩功能障碍是多个研究小组关注的焦点。
在一项结合了深度学习和机器学习的研究中，研究者训练了一个改良的卷积神经网络模型（U-Net），以自动对心电图各段进行分类，并从深度学习模型中生成了一个特征性向量，将其输入一个更经典的基于35 466份心电图的机器学习模型，以预测患者是否存在肺动脉高压、HCM、淀粉样变性和二尖瓣脱垂，并获得了较好的受试者操作特征曲线下面积（AUROCs），检测二尖瓣脱垂时达到0.78，检测HCM时明显达到0.91。
此外，梅奥诊所的研究者使用了卷积神经网络训练模型来诊断HCM，该模型在测试集中的AUC为0.96，且阴性预测值和灵敏度都很高，表明该模型可以作为疑似HCM患者的筛查工具。
心肌缺血
尽管心肌缺血是心血管研究中最经典的领域之一，但通过文献检索仅发现一篇研究使用心电图和深度学习诊断心肌缺血的论文。
等使用了一个迁移学习的模型，通过将心电图转换到傅里叶空间（将心电图信号的表示方法从信号强度与时间的关系改变为信号强度与波频的关系），并在空间上将12个导联堆叠在一起（形成一个2D图像）。他们在公开的中国心电图挑战赛数据库和由中国南方心肌梗死患者的17000份心电图组成的私人数据集上，训练了一个图像分类模型GoogLeNet。该模型在私人数据集中的准确率为86%，但在挑战赛数据集中的准确率仅为49%，且研究者未公布敏感性、特异性和AUC分析相关的结果。
未来的研究方向可能包括缺血性心脏（如稳定型心绞痛、不稳定型心绞痛等）或亚临床CAD的检测。
高钾血症和其他非心血管疾病
除上述心脏疾病外，深度学习还被用于识别电解质紊乱和预测健康状况。已有研究表明，电解质或精神疾病（即焦虑）偏离基线对心脏的结构和功能有影响。
等对来自梅奥诊所的患者进行了一项多中心研究，利用2导联和4导联的心电数据识别慢性肾脏病患者是否存在高钾血症。虽然该研究的模型对高钾血症的特异性较低，但在外部验证集上取得了较好的准确度和敏感度，提示非侵入性心电图可预测慢性肾脏疾病的高钾血症。
等对使用心电图来预测患者的年龄进行了研究。该研究的亚组分析显示，预测误差最大的病例有明显更多的收缩功能障碍、高血压和CAD事件，而预测误差较小的病例在较少的心血管事件。该研究表明，心电图可以作为一种生物标记，监测总体健康水平随时间变化的规律。
结论
心电图包含着大量心脏传导系统的相关信息，与CVD（心律失常、心肌病、瓣膜病和心肌缺血）存在紧密联系。在解读心电图并据此进行疾病诊断的过程中，深度学习模型体现出了较为明显的优势，并极具发展前景。
然而，目前在数据访问和模型共享方面仍存在困难，且原有信息技术基础设施的灵活性有限，现有的深度学习模型广泛在应用前必须克服这些障碍。此外，确保深度学习模型得到充分验证也至关重要。迄今为止，大多数数据集都是由单中心汇总的，存在过度拟合的风险，对其他医院系统和其他数据集的外推性很差。并且，目前还缺乏一个中心模型来比较这些不同的模型在不同医疗机构中的表现。
虽然本综述纳入的每项研究结果都肯定了深度学习在解读心电图方面的价值，但只有少数研究对模型的心电图学习进行了深入探讨。此外，在许多研究的方法论中，没有显示出对模型的谨慎选择。目前，深度学习的优势已被许多研究证实，研究者的重心应放在阐明哪一种深度学习模型可以通过何种方式解决实际的临床问题上来。
综上所述，最新研究显示，深度学习在心电图分析中显示出巨大潜力，随着模型不断的改进、完善、普及和标准化，深度学习模型可在优化心脏疾病的诊断和管理中发挥作用。便携式心电可穿戴设备和深度学习模型的发展，为各种CVD的早期识别和干预提供了机会。
文献来源：
