应用深度学习算法建立基于纸质版12导联体表心电图的人工智能模型，评估并比较其与心律失常专科医生对流出道室性心律失常起源部位定位的效能。
收集2011年5月1日至2020年12月31日在首都医科大学附属北京朝阳医院、温州医科大学附属第二医院、浙江大学医学院附属邵逸夫医院、北京大学第三医院经射频消融术成功治疗的527例流出道室性心律失常患者的861份纸质版室性心律失常心电图。以术中成功消融靶点作为金标准，对以深度学习为基础的人工智能模型进行训练、验证及测试。两位心律失常专科医生根据经典定位流程图及临床经验对测试集心电图进行靶点判断。对比深度学习算法与人工判读的敏感性、特异性和准确性等。
基于纸质版常规12导联体表心电图的扫描图像建立的人工智能模型的灵敏度、特异度、准确率、受试者工作特征曲线下面积、F1指数分别为94.0%、83.3%、93.0%、0.93和0.96。针对测试集，专科医生判读的平均灵敏度、特异度和准确率分别为95.7%、83.3%和94.6%。
在流出道室性心律失常起源定位方面，基于纸质版心电图的深度学习算法表现出较高性能，与心律失常专科医生的判断水平相当。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
特发性室性心律失常(idiopathic ventricular arrhythmia，IVA)多为局灶性起源，最常见于右心室流出道(right ventricular outflow tract，RVOT)和左心室流出道(left ventricular outflow tract，LVOT)。导管射频消融是目前治疗流出道室性心律失常(outflow tract ventricular arrhythmia，OT-VA)的一线方法，但在实际操作中左、右心室OT-VA消融的血管入路不同且手术成功率差距较大[1]。左、右心室流出道毗邻关系较为复杂，通过体表12导联心电图进行OT-VA起源部位的预测非常重要。既往曾有多位学者提出多种鉴别OT-VA起源于RVOT或LVOT的方法，但对非电生理医生而言这些方法均较难掌握。
近年来，随着计算机技术的日益革新，人工智能(artificial intelligence，AI)已广泛应用到疾病的筛查、诊断、治疗及结局预测等多个临床诊疗重要环节。本团队开发了一个基于纸质版12导联体表心电图的AI模型判断OT-VA定位，并与心律失常专科医生判读结果进行对比，旨在为人工智能心电分析准确高效指导临床提供实践基础。
2011年5月1日至2020年12月31日于首都医科大学附属北京朝阳医院(244例)、温州医科大学附属第二医院(121例)、浙江大学医学院附属邵逸夫医院(88例)、北京大学第三医院(74例)接受射频消融术并获得成功的流出道室性心律失常患者。纳入标准：年龄≥18周岁；术中成功消融靶点位于RVOT或LVOT。排除标准：无法提供术前室性早搏(室早)/室性心动过速(室速)的12导联心电图以及无明确成功消融靶点或消融后室性心律未完全消失的患者。所有临床资料均获得了患者的知情同意，并通过了所在医院伦理委员会的批准(审批号：2021-科-555)。
本研究原始数据为纸质版常规12导联体表心电图的扫描图像(25 mm/s，10 mm/mV)，每份心电图包含至少10 s的波形信息。继而进行原始图像处理：①将每幅图像转换为灰度图；②遍历0~255对灰度图进行二值化，每幅图像均得到256张二值化结果。其中，大于设定阈值的像素被设定为255，小于设定阈值的像素被设定为0；③通过形态学转换除去图像中的噪音干扰对二值化结果进行优化；④人工筛选每幅图像的最佳二值化结果，最终构成本研究所使用的数据集(图1)。
首先在ImageNet数据集上对本研究选用的EfficientNetV2s模型进行预训练，使其充分学习分类任务中通用的语义表征，再将预训练后的模型应用于心电数据的靶点预测任务。使用np.random.shuffle函数将OT-VA患者顺序打乱，按照所得随机排序及7∶1∶2的比例依次分配至训练集、验证集和测试集。同时由2名心律失常专科医生独立根据测试集心电图判断OT-VA起源。将导管射频消融术成功消融靶点作为定位室早/室速起源的"金标准"。
所有患者术前均停用抗心律失常药物至少5个半衰期。常规先进行RVOT标测，若无理想靶点，则穿刺股动脉至LVOT进行标测。用三维电解剖标测系统(Carto3，美国强生公司)进行激动标测及必要时的起搏标测寻找心室局部电位较体表心电图QRS波提前≥20 ms的理想消融靶点。在理想消融靶点处，以43~55 ℃，30~40 W，盐水流速17 ml/min，消融10~30 s，观察室早/室速逐渐减少至消失，在靶点周围片状巩固消融60~120 s，再次观察30 min并反复静脉点滴异丙肾上腺素诱发，如仍无无室早/室速发生，则视为手术成功。
使用SPSS 26.0软件进行数据处理。计数资料用频数和百分数表示，组间比较采用χ2检验；符合正态分布的计量资料用
±s表示，不符合正态分布的则以M(Q1，Q3)表示，组间比较采用独立样本t检验。采用MedCalc 19.0.7绘制受试者工作特征曲线(receiver operating characteristic curve，ROC)，并计算灵敏度、特异度、准确率、F1指数等。P<0.05为差异具有统计学意义。
研究纳入527例患者，共收集到861份心电图。其中室早患者515例(97.7%，515/527)，室速患者12例(2.3%，12/527)。最终训练集包含来自348例患者的657份心电图，验证集包含来自50例患者的75份心电图，测试集包含来自129例患者的129例心电图。3组患者的基线资料见表1。
527例经射频消融术成功治疗的流出道室性心律失常患者的基线资料
527例经射频消融术成功治疗的流出道室性心律失常患者的基线资料
| 组别 | 例数 | 年龄(岁， ±s) | 男[例(%)] | BMI(kg/m2， ±s) | LVEDD(mm， ±s) | LVEF(%， ±s) | 局部电位较体表QRS波提前时间(s， ±s) | |
|---|---|---|---|---|---|---|---|---|
| 训练集 | RVOT | 300 | 48.79±15.94 | 107(35.7) | 25.18±4.62 | 47.73±4.01 | 65.94±7.12 | 35.03±7.13 |
| LVOT | 48 | 51.86±13.50 | 15(31.3) | 27.00±4.30 | 47.06±4.73 | 66.82±10.55 | 32.51±7.27 | |
| P值 | 0.329 | 0.552 | 0.073 | 0.476 | 0.707 | 0.126 | ||
| 验证集 | RVOT | 41 | 42.43±17.16 | 11(26.8) | 27.36±3.89 | 49.46±6.91 | 66.79±10.05 | 30.89±7.32 |
| LVOT | 9 | 39.76±14.96 | 4(44.4) | 25.13±4.28 | 35.67±5.47 | 64.67±5.35 | 31.50±8.83 | |
| P值 | 0.200 | 0.296 | 0.249 | <0.001 | 0.622 | 0.860 | ||
| 测试集 | RVOT | 117 | 45.02±13.15 | 42(35.9) | 34.07±4.21 | 47.08±4.84 | 68.14±5.93 | 34.70±6.64 |
| LVOT | 12 | 58.13±10.54 | 7(58.3) | 27.39±5.37 | 51.52±5.40 | 62.23±14.47 | 23.85±7.89 | |
| P值 | 0.023 | 0.127 | 0.142 | 0.041 | 0.033 | 0.006 |
注：RVOT为右心室流出道，LVOT为左心室流出道，BMI为体重指数，LVEDD为左心室舒张末期内径，LVEF为左心室射血分数
458例RVOT组患者的成功消融靶点位于间隔部77例，游离壁83例，肺动脉瓣298例。69例LVOT组患者的成功消融靶点均位于主动脉窦部，其中左冠窦37例，右冠窦11例，左、右冠窦交界21例。
利用纸质版常规12导联体表心电图的扫描图像建立的AI模型的灵敏度94.0%、特异度83.3%、准确率93.0%、受试者工作特征曲线下面积(area under the receiver operating characteristic curve，AUC)0.93、F1指数0.96。心律失常专科医生判定靶点的灵敏度、特异度和准确率分别为95.7%(P＝0.553)、83.3%(P＝1)和94.6%(P＝0.606)。2名医生独立判读时，共有9例(7%，9/129)病例出现判断差异。
本研究通过一个基于深度学习算法的AI模型对流出道室性心律失常进行定位，结果发现：①基于纸质版心电图的AI技术用于流出道IVA起源部位的确定，从方法学上具备可行性；②AI模型在实际临床场景中对OT-VA起源于LVOT/RVOT的预判能力可达到心律失常专科医生水平。
传统用于区分LVOT和RVOT起源OT-VA的方法大体可以分为3类。第1类是使用体表标准12导联心电图，主要方法有R波时限指数联合R/S振幅指数[2]、V2导联移行比[3]、移行导联S/R指数[4]、移行区指数[5]等。第2类是在常规12导联基础上，联合后壁及右胸前导联或改变胸前导联所在肋间隙，主要方法有合成的V5R形态[6]以及V3R/V7指数[7]等。第3类是电生理检查时通过放置在心腔内的电极起搏和测量，其典型研究是Efimova等[8]提出测量室早QRS波最早的起点至右室侧壁最远处间隔，即QRS-RVA间期。上述方法的效能不一，敏感度为68%~98%，特异度为79%~96%，准确度为75%~98.6%。然而，从临床实践角度，这些方法仍存在一些局限性：①心电图算法流程繁琐，临床医生记忆困难，实际应用"性价比"不高；②同种方法在不同电生理中心得出的结论不尽相同，可重复性较差，无法广泛应用；③对室性心律失常心电图特点总结多限于具体形象，未能实现数字化、算式化和自动化。本团队开发的以深度学习为基础的人工智能模型则明显简化流程，大大提高诊断效率，节约医疗资源，同时与上述方法及心律失常专科医生相比亦表现较好。
近年来，国内外医生团队借助AI技术在室性心律失常定位方面不断探索。何斌团队将心电图与心脏磁共振图像相结合构建卷积神经网络进行室性早搏的定位训练，最终区域定位准确率为78%，心内膜心外膜定位准确率达到90%[9]。最近有研究团队利用患者多导电生理记录仪采集的心电图像开发OT-VA定位的机器学习算法，灵敏度和特异度达到96.97%和100%[10]。到目前为止，国内外AI技术在心电分析领域的所有研究均仅针对心电图机、多导电生理记录仪等以不同格式存储的电子信号进行学习和分析。然而更值得注意的是，OT-VA患者出现早搏的时间不固定，需及时完善描记到室早/室速波形的心电图方可明确诊断，但临床实际工作中常很难获取。同时结合我国国情，医疗数据数量虽然庞大可观，但很多医疗机构尚未开启心电图的数字化存储且无法对既往纸质版心电图再进行自动分析，实际数据利用及AI技术应用范围明显受限。本研究的心电图数据均取自真实世界的纸质版心电图，致力于利用AI模型将纸质版心电图转换为多维矩阵并将其输入至模型中，进而将AI技术应用于纸质版心电图的分析再利用，为未来的心电分析提供更多思路和资源。理论上不同医院心电图数据的背景颜色、各导联分布位置可能会对结果产生影响。经多轮参数调整及模型改进，最终测试结果肯定了本研究的数据处理方法及构建的AI模型在真实世界中的可行性及有效性。
本研究通过DL算法建立的利用纸质版心电图即可自动判断OT-VA起源的AI模型，相较于同领域的其他研究数据量较少，仅完成"概念验证"。后期还可通过扩大数据总量及纳入其他部位来源的IVA数据，完成最终的"价值验证"，即更全面准确地进行术前IVA定位，从而减轻国家及患者医疗负担、缩短手术时间及放射时间等临床实际意义。
所有作者均声明不存在利益冲突
