从纸质心电图中识别房颤的人工智能算法研究

作     者：章德云 魏国栋 耿世佳 王凯 徐伟伦 刘兴鹏 洪申达 ZHANG Deyun;WEI Guodong;GENG Shijia;WANG Kai;XU Weilun;LIU Xingpeng;HONG Shenda

作者机构：安徽心之声医疗科技有限公司安徽合肥230088 北京哈特瑞姆医疗技术服务有限公司哈特瑞姆-心之声联合实验室北京100020 首都医科大学附属北京朝阳医院心脏中心北京100020 北京大学健康医疗大数据国家研究院北京100191 

出 版 物：《实用心电学杂志》 (Journal of Practical Electrocardiology)

年 卷 期：2023年第32卷第1期

页      面：1-7页

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 10[医学] 

基　　金：国家自然科学基金资助项目(62102008) 

主　　题：纸质心电图 房颤 人工智能 深度学习 特征可视化 

摘      要：目的探讨使用深度学习方法直接对纸质心电图进行处理的可行性,并提出一种能从纸质心电图中快速准确地识别房颤的方法。方法从CPSC 2018挑战赛数据中选取1040例房颤患者和1344例非房颤患者的12导联心电信号,并将其绘制成心电图。将这些心电图打印在纸上,并重新扫描成图像,再通过一系列预处理得到带白色背景的纸质心电图。利用这些纸质心电图构建房颤识别数据集,并以挑战赛提供的真实标签为金标准,对人工智能算法进行训练、验证和测试。结果基于纸质心电图建立的人工智能算法的敏感性、特异性、F1得分分别为0.957、0.978、0.969,受试者工作特征曲线(receiver operating characteristic curve,ROC曲线)下面积为0.994。基于Grad-CAM的特征可视化结果表明,算法判断房颤的依据主要是纸质心电图中的P波位置及房颤发作过程中的F波位置,这与临床上房颤的心电图诊断标准是一致的。结论基于纸质心电图的房颤识别算法性能较好。可视化结果表明,通过人工智能算法直接分析纸质心电图高效且可行,能为临床实践提供指导。