新聞通訊員 田娟
華中科技大學同濟醫學院附屬同濟醫院心血管內科楊曉云主任醫師和朱紅玲醫生團隊研究開發了一種基于深度神經網絡學習的心電圖智能診斷模型，不僅提高了心臟肥大/擴大的診斷效能，而且為檢測策略從被動向主動的轉變提供了強有力的工具。近日，此項研究成果在國際著名期刊《新英格蘭醫學·人工智能》上正式發表。
心臟肥大/擴大的早期診斷對于預防心力衰竭、心律失常及猝死至關重要。傳統的診斷方法，如超聲心動圖和心臟磁共振成像因成本高和設施限制，難以作為廣泛篩查工具。因此，迫切需要轉變當前被動檢測策略為主動積極檢測策略，通過常規檢查和日常健康監測，提高對心臟肥大/擴大及其相關疾病（如高血壓和瓣膜性心臟病）的檢測率。
研究團隊通過對93,824名患者的112,685份心電圖大數據進行深度神經網絡學習，開發了心電圖-Cor-Net模型。該模型通過提取與心臟疾病相關的波形特征揭示所隱藏的心臟病理信息，模型診斷的平均準確率達到85.1%。這一創新不僅提高了診斷心臟肥大/擴大的準確性，而且為早期進行干預進而減少心力衰竭和猝死的發生提供了依據。
研究團隊比較了該模型與六名心電圖醫生的診斷成績，采用另一家醫院和公共數據集的外部數據來評估其泛化能力。模型診斷水平均高于醫生水平，平均敏感性提高至醫生水平的兩倍。這是國內外首次在超聲心動圖匹配的心電圖基礎上采用人工智能算法檢測心臟肥大/擴大的研究。
此外，該研究還引入了一種聚合歸因分數的新方法，探討心電圖導聯的重要性。研究發現只需4個導聯（I、aVR、V1和V5）就可準確地診斷心臟肥大/擴大，診斷結果與已建立的診斷標準相符。該項研究結果有望取代傳統的12導聯心電圖，為設計便攜式心電設備、朝著簡化導聯進行高效心電圖診斷邁出了一步。
研究結果展示了利用深度神經網絡學習技術和精簡心電圖導聯來提高對心臟肥大/擴大診斷效率的潛力，這對未來開發便攜式健康監測設備提供了新思路。
