本篇推文引自：Artifcial intelligence for the electrocardiogram

摘要：深度学习算法可应用于大型心电图数据集，能够识别异常心律和机械功能障碍，并有助于医疗决策。

1. 分子描述符计算

    人工智能(AI)通过其使用基于计算机的算法优化过程和决策的能力，预计将彻底改变社会的许多方面。医疗创新对人工智能来说是一个极具前景的领域，具有巨大的社会经济潜在影响。在过去15年里，两项主要进展为人工智能在医疗创新领域的繁荣奠定了基础。首先，数据库和电子健康记录开始系统地收集大量患者和无症状个体的集成数字化医疗数据。其次，基于高性能计算和云计算的强大计算平台已经成为可用的硬件改进。

    机器学习是人工智能的一个领域，它基于计算统计算法，允许计算机直接从数据中学习，而无需经过明确的编程。因此，机器学习技术有潜力自动识别与患者数据关键差异相关的最重要特征。机器学习在医疗保健领域的潜在应用是巨大的，包括筛查、疾病检测和分类、患者风险分层和最佳治疗选择(图1)。在《自然医学》中，两项研究展示了机器学习在心脏病学中的应用能力。这两项研究都描述了应用于大型心电数据集(ECGs)的深度学习算法，并表明机器学习可以用于识别心律异常和机械功能障碍。心电图是临床中使用最广泛、可能也是最简单的记录。

    深度学习是一种机器学习，灵感来自于大脑如何连接和工作，它基于算法，也被称为模型，由排列在网络布局中的被称为神经元的相互连接的节点组成。根据数据输入，深度学习网络中的神经元被激活，这些研究中的数据为ECGs（心电图）。它们的激活通过网络传播，通过一种被称为经验学习的过程，提供了了解输入和输出数据(如病人或心率分类)之间关系的能力。一旦神经网络训练完成，它的性能将在一个没有用于训练的独立数据集上进行评估，并计算诸如灵敏度、特异性和准确性等统计指标。

    MACCS Hannun等人的研究重点是利用深度神经网络对53,877例患者91,232例单导动态心电图记录的大型临床数据集进行心律分类。作者的目的是从心电图数据中识别出12类心律。验证是根据经认证的心脏病专家委员会注释的独立测试数据集进行的。该算法在识别单个心律类方面表现出了良好的性能。作者评估结果的准确性使用AUC,并取得AUC为0.91。该算法优于所有通过肉眼进行分类的心脏病专家。

    随着可穿戴设备的出现，心脏节律的自动检测变得越来越重要。可穿戴设备允许个人连续监测，并需要对心电信号进行强健、快速、实时的分析，以避免存储大量数据。一个例子是AliveCor4的KardiaBand，这是一款基于机器学习的智能手机应用程序，用于从心电图识别心房颤动。这些技术带来了重大的技术、伦理和临床挑战。

    心率分类也是之前机器学习研究的重点。这些研究大多依赖于能分类不同拍型的ECG特征的推导，以及为了更好的泛化和性能特性的特征选择等技术。这里介绍的深度学习方法的一个明显优势是，它们不需要提取ECG特征，因为这些特征是作为算法训练的一部分从数据中学习的。此外，即使以前的研究在心律分类方面的准确性与Hannun等人的研究相似，但这些以前的研究包含的数据集更小，所考虑的心律种类也更小。与Hannun等人的研究正好相反，只有很少的研究尝试使用深度学习进行心电图分类。例如，在一项研究中，使用MIT-BIH心律失常数据库对算法进行训练和测试，心室和室上异位心跳的平均检测准确率超过97%，但这组数据仅来自47个不同的个体。

    阿迪et al.的研究旨在使用深度学习方法识别患者左心室(LV)收缩功能受损（射血分数(EF) < 35%）。作者希望利用ECG作为一种廉价且广泛使用的检测手段来鉴别无症状的左室功能障碍患者。来自44,959名患者的12导联心电图和超声心动图可用来训练该网络，然后对52,870多名患者的数据进行测试。结果显示，ECG数据诊断机械功能障碍AUC为0.93，较目前b型钠尿肽(BNP)筛查血检AUC为0.79-0.89有明显改善。然而，1335名患者被算法指定为心脏泵功能异常，而实际上他们的EF是正常的。作者认为，尽管这些患者5年一次EF异常发作的发生率只有9.5%，但这些假阳性可能代表了异常的早期发现。

    这两项研究表明，深度学习算法对于病人筛查是强大而准确的工具。它们显示了利用基于人口的信息来推进病人分层的潜力。当前机器学习方法的一个已知的局限性是，理解其结果背后的基本原理是具有挑战性的。算法不能解释分类结果的病理生理学基础，因为它们不能揭示数据输入和类之间的功能依赖性。为此，心脏病学家通常使用众所周知的心电图特征信息，如QRS波宽度、QT间期或T波形态，因为这些与心脏的收缩和舒张直接相关，并且已通过基于人类的计算模型和模拟进行了研究。然而，ECG生物标记物的提取需要对ECG进行描述，即识别ECG波形的关键部位，尽管深度学习的尝试显示出了希望，但专家系统技术仍处于最好的水平。与已有的用于图像分割的深度学习方法的成功相比，用于ECG描述的深度学习仍然是一个挑战。

    与其他深度学习应用一样，心电图分析的主要挑战不一定是计算性的，而是用所需信息注释的数字化大规模数据集的可用性。专家的一致意见也是一个挑战，因为不同的心脏病学家的个体专家注释常常不同。除了计算科学家和临床医生之间的合作外，免费可用数据库的可用性是AI和医疗创新数据科学进步的重要催化剂。
由于文章在服务器上，详细内容见：http://bbit.vip/service/main.php?version=1&type=article&id=150