《柳叶刀》近日发表一项深度学习AI研究。研究发现，一个人工智能模型（AI）可利用一种快速且无创的10秒检测来识别患有阵发性房颤的病人，即使在正常节律时也能识别；相比较之下，现有检查手段则需数周甚至数年。虽然此项技术尚处于早期，如需应用尚待进一步研究，但相关结果有望协助医生探查不明原因脑卒中和心衰，以便恰当治疗。
在《柳叶刀》近日发表的一项研究中，研究者开发了一种人工智能模型（AI）可以从病人在正常节律时做的10秒心电图中发现房颤迹象。该研究包含18.1万名病人，首次运用深度学习识别潜在房颤病人，正确率高达83%。该技术可以识别人眼无法识别的心电图信号，从而判断是否存在房颤。美国约有270万~610万人患有房颤[1]，而房颤会增加脑卒中、心衰和死亡的风险。由于单次心电图很难捕捉时隐时现的异常心律，房颤经常被漏诊。美国Mayo Clinic心血管医学主任Dr. Paul Friedman说：“将人工智能模型应用于心电图可以检测出房颤，即使在记录心电图的时候并没有房颤发生，AI模型也能从中识别潜在房颤。就像看着今天的大海，就可以知道昨天发生了大浪。”[2]Dr. Paul Friedman说：“目前，这种AI技术只在需要临床检查的人群中试验过，不包括患有不明原因脑卒中的病人和普通大众，所以我们还不确定AI在这些人群中的应用效果。但是，这是一种快速、经济、无创且普遍的检查手段，将来有一天或可协助识别未确诊的房颤、指导重要治疗、预防脑卒中和其他重大疾病。”[2]在发生不明原因的脑卒中后，准确探查房颤尤其重要，患有房颤的病人需要接受抗凝治疗，减少卒中的再发风险，而其他病人（抗凝治疗可能带来危害的病人）则不需要。目前，房颤的识别需要监测数周甚至数年，有时候还要用到植入装置，无法准确识别房颤或识别所需时间过长会导致病人反复中风。房颤会导致心脏出现心房肥大等结构性改变。在超声心动等标准的影像检查技术探测到这些改变之前，心脏可能已经发生了房颤相关的纤维化（瘢痕）。另外，房颤还可能暂时地改变心肌电活动特性，这种影响可以持续到房颤消失后。研究者们训练了一个神经网络，即深度学习的AI，用于识别这些结构性改变造成的标准心电图中的细微变化，尽管神经网络是”黑箱子”，具体的操作路径尚无从得知。作者使用18.1万例病人在1993年12月至2017年7月期间做的大约65万张心电图[3]，按照是否患有房颤将病人数据分为两组。心电图数据被分成了三组：训练、内部验证和测试数据。其中，70%的数据用于AI训练，10%用于验证和优化，20%用于AI测试。（来自126,526位病人的454,789张心电图作为训练数据，181,16 位病人的 64,340张心电图作为验证数据，36,280位病人的130,802张心电图作为测试数据）AI显示出了很高的房颤识别率：对每位病人的第一张心电图进行测试时，单张心电图的准确率达79%，而当使用同一病人的多张心电图进行训练后，准确率提高到了83%。而AI在患有不明原因脑卒中（原因不明的栓塞性卒中，ESUS）和心衰等特定人群中的应用效果，还需进一步研究证实。
作者还推测，此技术未来或可作为一种即时诊断检查手段筛查高风险人群。在高血压、糖尿病和65岁以上人群中进行房颤筛查有助于避免疾病，但目前的检查手段成本高昂且识别率很低，而且目前用于筛查的心脏监测器体积庞大且佩戴不适，需要穿戴数天甚至数周。该研究的联合研究者、来自美国Mayo Clinic的Dr. Xiaoxi Yao（姚晓西）说：“我们的算法或可用于低成本且广泛应用的技术产品上，比如智能手机，不过在广泛应用之前还需进行更进一步的研究。”[2]作者表示，该研究存在一些局限，在相关研究成果应用于临床之前还需进一步研究。研究人群的房颤患病率可能比普通大众更高，导致AI的训练更多的是对有临床心电图检查指征的人群进行回顾性分类，而不是对健康人或不明原因脑卒中的病人进行预测。因此，在此技术广泛应用于更广泛的健康人群筛查之前，可能需要进行一定的校准。临床上没有确诊为房颤的病人被认为是房颤阴性，但有些存在房颤的病人可能因为漏诊而被错误标记为阴性，所以AI可能识别了这些被之前检查所漏诊的病人。另一方面，一些假阳性的病人被AI识别出了房颤史，虽然人工诊断为阴性，但可能确实存在未确诊的房颤。由于AI是通过人工诊断数据而训练的，准确度最多与训练数据接近，当应用于其他人群时可能会有误差，比如临床上无心电图检查指征的个体。澳大利亚阿德莱德大学（University of Adelaide）和皇家阿德莱德医院（Royal Adelaide Hospital, RAH）的Dr. Jeroen Hendriks在相关评论中说：“总之，我们要祝贺Attia和他的同事们，他们创新性地开发并验证了用于解读心电图的AI。考虑到最近AI算法在诊断心脏病的性能上已经达到心脏病专家的水平， Attia及其同事们深入开发的这种将AI与心电图相结合的算法能在窦性心律的心电图中鉴别房颤，这是具有开拓性的。”END参考资料（上下滑动查看）
This study was funded by internal Mayo Clinic resources. It was conducted by researchers from the Mayo Clinic.
The labels have been added to this press release as part of a project run by the Academy of Medical Sciences seeking to improve the communication of evidence. For more information, please see: http://www.sciencemediacentre.org/wp-content/uploads/2018/01/AMS-press-release-labelling-system-GUIDANCE.pdf if you have any questions or feedback, please contact The Lancet press office pressoffice@lancet.com
[1] https://www.cdc.gov/dhdsp/data_statistics/fact_sheets/fs_atrial_fibrillation.htm
[2] Quote direct from author and cannot be found in the text of the Article.
[3] The study used ECGs that were clinically indicated, but the indications were not specified and range from people having a routine annual exam to people experiencing cardiac symptoms.
题图：Copyright © 2019 NoBeastSoFierce/Science Photo Library