2022年11月18日,CELL子刊iScience发表心狗健康团队最新研究成果,文章题目:Multiple high-regional-incidence cardiac disease diagnosis with deep learning and its potential to elevate cardiologist performance。论文第一作者为刘云清博士生,通讯作者为刘成良教授。
心脏疾病是威胁人类健康的最大疾病,人工智能技术辅助医生提高诊断效率和精度已成为可能。由于缺乏包含多种心律失常和急性冠状动脉综合征相关疾病的大规模数据集,人工智能辅助诊断心脏疾病在临床场景中受到限制。心狗健康团队目前已构建包含27余万病人、34余万个病例的多种区域高发病率的心脏疾病数据集,建立了基于心脏疾病临床心电图诊断集的深度学习模型。临床结果表明,用于诊断16种心电图的模型的平均AUC ROC得分达到了0.961,诊断性能超过了心脏病专家。另外,学术界存在人工智能伦理的一组争论:人工智能能否在决策中取代人类?深度学习提供的结果是否可以取代专业医生在临床决策中提供的结果?在此文中,作者也提出深度学习的结果是帮助医生做出更好的解释和决策的辅助工具,来提高医生诊断的准确性和效率,但决定最终临床结论的权力仍应掌握在专业医生手中。
下表展示了本研究与国际其他高水平研究实验结果对比。心狗健康团队此项研究的两大世界首次:
1、首次覆盖了所有统计学上区域高发性16种心电图类型:心律失常、心肌梗死、心肌缺血等相关心电图,总体诊断精度国际领先 [1-5];
2、首次给出基于大样本心电图诊断标签临床大数据进行深度学习的量化结果。临床使用结果表明:心狗AI模型诊断性能超过了心电专家,且借助于心狗模型给出的诊断结果,心脏病专家诊断的准确率和效率比原先提高了13.5%和69.9%。
Cell期刊是与Science,Nature并列的世界三大主刊之一,Cell目前有四大子刊,分别是iScience、Joule、Matter和Chem,iScience主要关注能源、材料、物理以及生命科学领域的基础和跨学科领域的应用研究。
作者 | 时间 | 数据源 | 实验内容 | 临床结果 | 发表期刊 |
Hannun 等 [1] | 2019 | 斯坦福大学的吴恩达团队 | 仅使用单导联心电图, 仅针对12种心律失常, | 提出的深度学习模型结果超过心电专家 | Nature子刊:Nature Communications |
Ribeiro 等 [2] | 2020 | 巴西米纳斯吉拉斯州的远程健康网络(TNMG) | 使用12导联心电图, 仅针对6种心律失常, 未涉及心肌梗死相关心电图 | 提出的深度学习模型结果超过心电医生 | Nature子刊:Nature Communications |
Sangha 等 [3] | 2022 | 使用12导联心电图, 仅针对6种心律失常, 未涉及心肌梗死相关心电图 | 提出的深度学习模型好于基于信号的模型 | Nature子刊:Nature Communications | |
Zaiti 等 [4] | 2020 | 美国匹兹堡大学的美国三级护理医院 | 使用12导联心电图, 仅针对急性心肌缺血 | 提出的深度学习模型结果超过临床医师 | Nature子刊:Nature Communications |
心狗健康团队提出的方法 [5] | 2022 | 上海交通大学的心狗健康团队 | 使用12导联心电图, 针对16种地区高发性心电图, 包括心律失常、心肌梗死、心肌缺血等相关疾病 | 提出的模型诊断性能超过了心电专家。 借助于心狗AI模型给出的诊断结果,心电专家诊断的准确率和效率比原先提高了13.5%和69.9%。 | CELL子刊:iScience |
[1] Hannun, A.Y., Rajpurkar, P., Haghpanahi, M., Tison, G.H., Bourn, C., Turakhia, M.P., and Ng, A.Y. (2019). Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat. Med. 25, 65+. https://doi.org/ 10.1038/s41591-018-0268-3.
[2] Ribeiro, A.H., Ribeiro, M.H., Paixa ̃ o, G.M.M., Oliveira, D.M., Gomes, P.R., Canazart, J.A., Ferreira, M.P.S., Andersson, C.R., Macfarlane, P.W., Meira, W., Jr., et al. (2020). Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat. Commun. 11, 1760. https://doi.org/10.1038/s41467-020-15432-4.
[3] Sangha, V., Mortazavi, B.J., Haimovich, A.D., Ribeiro, A.H., Brandt, C.A., Jacoby, D.L., Schulz, W.L., Krumholz, H.M., Ribeiro, A.L.P., and Khera, R. (2022). Automated multilabel diagnosis on electrocardiographic images and signals. Nat. Commun. 13, 1583. https:// doi.org/10.1038/s41467-022-29153-3.
[4] Al-Zaiti, S., Besomi, L., Bouzid, Z., Faramand, Z., Frisch, S., Martin-Gill, C., Gregg, R., Saba, S., Callaway, C., and Sejdic, E. (2020). Machine learning-based prediction of acute coronary syndrome using only the pre- hospital 12-lead electrocardiogram. Nat. Commun. 11, 3966. https://doi.org/10.1038/ s41467-020-17804-2.
[5] Liu, Y., Qin, C., Liu, C., Liu, J., Jin, Y., Li, Z., and Zhao, L. (2022). Multiple high-regional-incidence cardiac disease diagnosis with deep learning and its potential to elevate cardiologist performance. iScience, 105434. https://doi.org/10.1016/j.isci.2022.105434.
扫描二维码关注