近日，心狗健康团队在国际顶尖科学期刊《自然》（Nature）旗下的《通讯医学》（Communications Medicine）发表文章，题目：Cardiologist-level interpretable  knowledge-fused deep neural network  for automatic arrhythmia diagnosis。通讯作者为上海交通大学刘成良教授和上海市第一人民医院赵利群主任医师，上海交通大学博士金衍瑞、博士生李志远是本文共同第一作者，本研究是心狗健康团队继在《CELL》子刊(iScience)上发表后的又一重要研究成果。

1   内容摘要

  中国每年发生超过54.4万例心源性猝死病例，但只有不到1%的病例能够及时得到挽救。作为最凶险的疾病之一，心源性猝死发生前的隐患信息潜伏在每天10万次左右的心跳中，例如心肌梗死前期心电图出现ST-T改变；心梗后频繁发生室性早搏，易诱发心源性猝死。围绕如何预警心梗这一世界性难题，本研究表明通过心电实时监测，可以提前发现重要心律失常、ST-T改变等先兆病变，从而对心梗等恶性心血管事件早预防，早治疗。为了准确识别心律失常、ST-T改变等疾病，发现潜在的心梗患者，心狗团队开发了人工智能诊断系统（图1），能够从自主开发的便携可穿戴设备—“心狗”中获取心电信号，检测出重要的心律失常、ST-T改变等。经过在包含27万中国人的临床心电数据集的充分验证，心狗模型能够以媲美三甲医院医生的诊断精度识别心梗相关疾病。该诊断系统可以使潜在的猝死风险人群在医院以外更容易地被发现，从而帮助风险人群提前治疗，降低心血管疾病危害。目前该系统在改善偏远地区的医疗保健条件方面发挥了重大作用，是心狗团队贯彻落实“面向人民生命健康”国家战略的重要成果之一。

具体原文链接： https://www.nature.com/articles/s43856-024-00464-4

图1 心狗-基于动态心电仪的心律失常智能诊断系统

2   内容解析

心脏疾病是威胁人类健康的头号疾病，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律失常数据集，建立了融合医学知识与深度学习的高精度心律失常诊断模型。临床结果表明，用于诊断各类常见心律失常的模型平均准确率为93.7%，平均F1分数为83.5%，在临床诊断环境中，模型诊断性能媲美三甲医院临床心电图师，在诊断精度、特异性等指标方面甚至超过了医生。

图2 心狗人工智能模型

同时实验表明，该人工智能模型诊断推理时的注意力与临床医生的诊断标准保持了高度一致性。以房性早搏（PAC）为例，模型主要关注心电图信号的特定段落中早期波形的出现，与临床医生的诊断标准一致。通过扩展，我们分析了模型在诊断不同类型异常心电图信号时生成的注意力图，并观察到注意力图与临床医生的医学解释相一致。这表明心狗智能诊断模型能够准确定位心电图信号的有效区域，然后增强这些区域的特征，以确保最终精确的预测。

图3 心狗人工智能模型在心电图关键特征区域的关注度 

3   总结

   心狗模型在多个国内外知名开源数据库上的进行验证，并与当前权威工作对比。本项研究取得了两大世界首次：

  1、首次在国际多个知名数据集上对模型进行直接验证，均取得优越的诊断性能，具备优秀的泛化性能；同时与发表在《Nature Medicine》、《Nature Communications》上的结果对比，心狗模型诊断性能平均提高了10.71%。

  2、首次提出基于“机理模型+机器学习模型+大数据统计分析”的心电图智能诊断方法，符合临床实际诊断情况。临床使用结果表明：心狗AI模型诊断性能与三甲医院临床医师相媲美,在准确率、特异性等部分指标上超过了医生，实现了在心房颤动等心血管疾病上的精准识别。

 图4 心狗人工智能模型在国内外公开标准数据集上的表现

图5 心狗人工智能模型与领域内顶尖模型性能对比结果

参考文献：

[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] 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.