查看原文
其他

柳叶刀:深度学习AI或可从正常节律心电图中识别房颤

柳叶刀 柳叶刀TheLancet 2021-04-25

《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 ClinicDr. 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)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

推荐阅读

如何建立AI临床应用指南?

主编推荐 | 第一份全生命周期疾病分布图谱是亮点!

柳叶刀数字医疗创刊号:数字技术的演进与革命


点击阅读原文,查看更多论文


    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存