张希铃 王新康

    福建医科大学省立临床医学院，福建福州 350001

    近年来，深度学习在图像识别领域展现出性能优势，其在心电领域上的应用发展迅速。基于深度学习模型(deep learning model，DLM)的心电图已经实现对多种心血管疾病(cardiovascular disease，CVD)的分类、诊断、筛查或预测。考虑DLM 展现出的可靠性及捕捉人体亚健康状态的潜在能力，临床推测其在电解质、贫血、糖尿病、脓毒血症等其他系统疾病的监测中同样具有良好效能。单导数据构建的DLM 性能稳定，可将其与穿戴式设备结合，这提示疾病的筛查、监测方法出现了新的可能，心电数据也更易于收集且更加具有多样性，为后续研究提供了良好条件。本文旨在概括基于DLM 的心电图在CVD 和其他系统疾病上的应用进展，并对当前研究趋势进行分析，提出未来展望。

    1 DLM 概况

    DLM 是在神经网络的基础上叠加隐层层数的一种学习网络，卷积神经网络(convolutional neural network，CNN)是目前在医学上常用的深度学习架构，其本质上是一个不断进行分层级特征提取的过程，可以获得图像中超出人眼识别能力的多描述特征，受外界干扰因素小，识别准确率高且稳定[1]。

    [通讯作者]常构建DLM 需要将数据分为3 个子集，即训练集构成模型，测试集提升准确率，验证集对该模型效能做出评价。受试者操作特征曲线下面积(area under the curve，AUC)可作为其评价指标，值域为0～1，AUC 越高代表模型的分类性能越优异。

    2 DLM 在多系统疾病中的应用进展

    2.1 CVD

    近年来，有关DLM 对CVD 的研究主要为继续完善模型性能、致力于将新技术与穿戴式设备结合，把对CVD 的健康监测融入生活中。

    2.1.1 心 律失常 2017 年，Hannun等[2]利用Zio 贴片(FDA 认证设备，模拟Ⅱ导联)记录的53 549 例患者的单导联心电数据开发了一个能将多种心律失常分类的DLM，可识别心房颤动、心房扑动、房室传导阻滞等12 种心律失常及窦性心律、噪音，共14 种类型，在敏感度及精确度上都超过了CVD 专家，但该模型在检测心室扑动、心室颤动、需多导联合诊断的心律失常及心室肥厚、心肌梗死等不一定会导致心律失常的心血管疾病上仍有欠缺。2018 年，Yildirim等[3]使用45 例患者的3 600 条心电数据构建了通过单导联(Ⅱ)心电数据可识别17 种心律失常的DLM ......