姚易，廖晓阳*，李志超

    据世界卫生组织(WHO)及多所著名大学建立的全球疾病负担数据库分析，全球心房颤动(以下简称房颤)患者高达3 350万，占世界人口的0.5%[1]。房颤作为21世纪最具挑战性的心血管疾病之一，可导致脑卒中、心源性猝死等严重并发症[2]。随着我国人口老龄化越来越严重，房颤患者数量逐年攀升，成为名副其实的房颤大国[3-4]。房颤具有阵发性、无症状性的特点[5]，传统的12导联心电图不能有效识别阵发性房颤。然而，阵发性房颤与持续性房颤具有相同的卒中风险，早期诊断及干预可显著降低卒中发生率[2，6]。因此阵发性房颤的早期筛查极其重要。

    临床上，24 h动态心电图被视为诊断阵发性房颤的金标准，但由于有时间局限性，常出现漏诊，从而促使多种长程筛查设备不断出现，例如：便携式可穿戴设备、手持单导联心电图记录仪、智能手机、智能手表、血压计等，这些设备可提高阵发性房颤的检出率[2，7]。然而，长程设备获得的心电大数据既加重了医生负担，也是临床工作的难题，该情况在基层医疗机构中表现得尤为突出。一方面全科医生无法准确地通过心电图诊断房颤[8]；另一方面心电大数据信息量大，解读费时。因此，在基层医疗机构诊断阵发性房颤难上加难。为了给医生提供有效的辅助诊断信息，人工智能技术变得越来越重要。

    近年来人工智能技术飞速发展，在医疗大数据挖掘上表现卓越，促进了计算机辅助诊断模型的发展。经典诊断模型的建立包括信号预处理、特征提取、分类3个过程，特征提取是模型构建的核心。传统的浅层机器学习模型高度依赖人工提取特征，难以满足复杂的实际临床需要。研究表明，诊断常见心律失常时，现有的多种浅层诊断模型相比于全科医生有更高的准确性，但错误率仍旧很高，不能据此进行临床诊断和治疗[8]。尤其在房颤诊断方面，现有诊断模型并未显著提高诊断准确率，特别是在老年人群中出现错误诊断的可能性更大[9]。迫切需要构建深度学习模型来帮助基层全科医生诊断房颤。Lorenz散点图是一种新型非线性分析方法，为心电大数据的快速分析提供了新视角[10]，其输出的二维图形是深度学习的良好素材。本文综述房颤计算机辅助诊断模型的研究进展，为模型构建提供新思路，同时为基层医疗机构全科医生进行心电大数据判读提供参考。

    1 心电特征的研究进展

    1.1 基于心房波的心电特征 房颤计算机辅助诊断模型是根据心房波和RR间期构建而成的，心房波表现为 P波消失和 f波出现。ANDRIKOPOULOS等[11]对比分析了60例阵发性房颤和50例正常人的12导联心电图，提取心房波最大值、心房波离散度、心房波方差3个特征指标用于鉴别阵发性房颤和窦性心律 ......