| 角色 | 姓名 (英文) | 机构 |
|---|---|---|
| 第一作者 | Albert J. Rogers | 斯坦福大学医学院；斯坦福大学医学院心血管研究所 |
| 通讯作者 | Albert J. Rogers | 斯坦福大学医学院；斯坦福大学医学院心血管研究所 |
DOI:https://doi.org/10.1038/s41746-024-01407-y
Code:https://github.com/sanarayan-code/ECG-WMA-Net
核心速递
这篇文章提出了一种通过人工智能+心电图识别心室壁运动异常的方法（ECG-WMA-Net），收集了两个美国两家医疗中心大规模的数据集，在California的数据上进行训练和测试，并在Georgia数据上进行了外部验证，评估准确性结果超过了心血管专家和基于心电定量测量心电的逻辑回归方法。在斯坦福大学数据集上达到了0.781(CI:0.762–0.799)的AUROC,在外部验证集上达到了0.723(CI:0.685–0.757)的AUROC。 但从结果来看，文章提出的方法并未比心血管专家和基于心电定量测量心电的逻辑回归方法高出太多，敏感性,PPV等指标均未达到理想水平。
一、文献概述
"Identification of cardiac wall motion abnormalities in diverse populations by deep learning of the electrocardiogram"一文于2025年发表于npj Digital Medicine，开发了一种基于人工智能+心电图的心室壁运动异常识别方法（ECG-WMA-Net），ECG-WMA-Net在California的数据上进行训练和测试，并在Georgia数据上进行了外部验证，评估准确性结果超过了心血管专家和基于Q波识别的方法。
- 研究背景： 心室壁运动异常（WMA）显著增加缺血性心脏病和非缺血性心脏病患者的猝死和全因死亡率的风险，甚至在没有心脏病症状的患者中也是如此。WMA主要是由心肌梗死引起，也可由多种非缺血性心脏病引起，如肥厚性心肌病，心肌炎等。目前对WMA的筛查主要是通过ECG检测Q波、T波和ST段改变，但这些方法敏感性和特异性较低，无法准确识别WMA。因此，开发一种能够准确识别WMA的AI方法对于早期诊断和治疗心脏病具有重要意义。
- 研究终点: 以心脏超声为金标准，识别患者是否存在心室壁运动异常。
二、数据来源
作者收集了来自美国两家大型医疗中心的共计37548名患者的数据（包含成对的心电图和心脏超声），其中：- 来自于California斯坦福大学的35210患者用于模型的训练和内部验证
- 来自于Georgia埃默里大学的2338患者用于模型外部验证
- 数据纳排和处理标准如下所示：
- 数据基线如下所示：
外部验证数据集在人种、种族和已知的心血管疾病的分布上都与开发数据集有较大差异，能够更好验证模型在跨人种、种族患者数据上的泛华性能，更符合临床实践
三、数据标注
作者以心脏超声为金标准，使用正则化表达式从无结构的心脏超声报告文本中提取心室壁运动异常的标注信息，三名专家从随机的100例结果评估标注信息的准确性，达到了100%。
四、算法框架
作者使用三种方法来评估心电诊断WMA的准确性：- ECG-WMA-Net： AI对心电图进行WMA识别,在训练时仅使用I,II,V1，V2，V3，V4，V5，V6八个导联，如下图a和b所示。
- ECG quantitative： 基于定量Q波、T波和ST段测量值的逻辑回归模型。
- ECG qualitative： 由心内科医生在常规临床护理期间对心电图进行判读，对12导联心电图进行定性评估。
五、结果分析
（一）在斯坦福大学数据测试集上的评估结果
- ECG-WMA-Net在整体分类能力（AUC）、综合性能（F1 Score）和召回率（Sensitivity）上优于传统ECG方法，能更有效地检测出异常病例。
- 定性ECG方法（ECG qualitative）虽然准确率高，但漏诊率（Sensitivity低）非常严重，不适合单独用于WMA诊断。
- 定量ECG方法（ECG quantitative）虽然 Sensitivity 还可以，但整体表现不如ECG-WMA-Net。
- 所有方法的PPV仍然较低（0.250），说明ECG-WMA-Net可能仍存在误报（false positives）的问题。
ECG-WMA-Net适合作为WMA诊断的辅助工具，但可能需要结合影像学检查（如超声心动图或 MRI）来提高最终的诊断准确性。
（二）在Georgia埃默里大学数据测试集上的评估结果
在Georgia埃默里大学数据测试集上的评估结果如上Fig.3中的C图所示AUC值0.723(CI:0.685,0.757)。