心房颤动（简称房颤）是一种可导致多种严重并发症的心律失常。其中，阵发性房颤具有阵发性和无症状性特点，故难以诊断。长程心电所获得心电大数据可以提高阵发性房颤的检出率，但心电大数据的判读却成为基层医疗机构的负担和难题。为解决以上问题，多种基于心电特征的浅层学习模型不断出现，这些模型高度依赖人工提取特征，均有局限性。深度学习是一种数据驱动的自动特征学习算法，弥补浅层学习的不足。
Lorenz 散点图作为心电大数据快速分析的新兴方法，其输出的二维图形是深度学习的优质素材。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。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。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。
本文综述房颤计算机辅助诊断模型的优劣以及机器学习在房颤诊断中的应用现状，为辅助诊断模型构建提供新思路，同时为基层医务人员解决心电大数据的判读难题提供新视角。
1、房颤计算机辅助诊断模型的优劣
1.1 基于心房波的心电特征的模型
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。由于f波峰值低，容易受到基线漂移、运动伪影、工频和肌电干扰，使得基于心房波诊断模型的特异度和灵敏度低。优点在于其波形特征提取 窗口窄，不需要长片段心电图构建模型，有利于阵发性房颤的检出。
1.2 基于RR 间期的心电特征的模型
RR间期的诊断模型不能很好地区分房颤和非房颤心律失常，且缺失了f波信息。当房颤伴有房室传导阻滞、房室交界性心动过速时，其RR间期表现为规律性，此外房扑或多源性房性心动过速的RR间期可表现为无规律性，RR间期特征提取窗口宽，需要 50~500个心搏，难免漏诊发作时间短的阵发性房颤。
1.3 基于心房波和 RR 间期联合心电特征的模型
联合心房波和RR间期特征的模型诊断房颤的价值略优于仅基于RR间期的模型。诊断房颤的价值略优于仅基 于 RR 间期的模型。但是联合诊断模型的性能取决于峰值检测，长程心电图容易受到日常活动的干扰出现大量的高峰干扰波，严重影响其性能。
1.4 基于非线性的心电特征的模型
KUMAR 等根据弹性分析小波变换（FAWT）获取的子带信号，据此计算对数能量熵（LEE）和置换熵（Pen），这类基于非线性特征的模型能区分窦性心律和房颤之间的微小差异，同时不依赖f波和R波的检测。
1.5 基于心电散点图的心电特征的模型
1.5.1 Lorenz 散点图
Lorenz 散点图又称为 Poincaré散点图、心电散点图，在平面直角坐标系中通过（RRn-1， RRn）确定一点，迭代运算制作而成。Lorenz 散点图不依赖心电波形的检测，同时对房颤伴有其他复杂心律失常的诊 断及鉴别诊断更优。
Lorenz 散点图作为非线性分析方法，从宏观层面分析心电大数据。广义的心电散点图包括差值散点图、RDR散点图、三维散点图等，由于观察切面的变化以及维度的增加，可为临床医生提供更多更详细的房颤心电特征。
1.5.2 基于 Lorenz 散点图的心电特征
经过对房颤Lorenz散点图形状进行分析，提取“簇数量”诊断线上点离散度节律间期平均步进增量3个指标；通过k均值聚类法、支持向量机两个分类器来区分房颤节律和非房颤节律，结果表明该模型的平均灵敏度和平均特异度分别为 91.4% 和 92.9%。有研究者提出 Lorenz 散点图不同区域点的频率分布和复杂相关度量（CCM）两个指标，将两者输入神经网络，所构建的诊断模型准确率高达 94%。
LOWN 等在 Lorenz 散点图的基础上，提出包含 60个RR间 期的差值散点图，根据差值散点图的特征，经支持向量 机构建房颤计算机辅助诊断模型，该模型在训练集的灵 敏度为 99.2%，特异度为 99.5%；在测试集的灵敏度为 100.0%，特异度为 97.6％。但上述模型所用的的数据来自国际标准心电数据库，来源单一，泛化能力受到限制， 这些模型在真实世界中的诊断性能仍需进一步验证。
2、机器学习在房颤诊断中的应用进展
2.1 基于浅层机器学习的辅助诊断模型
浅层机器学习算法包括随机森林、支持向量机、LASSO 回归、决策树、 朴素贝叶斯、K 均值聚类等。此类模型需要人工提取特征指标，人工提取过程容易受到主观影响，同时无法利用高维特征所提供的有效信息，限制了其在心电大数据的推广和应用。
2.2 基于深度学习辅助诊断模型
深度学习擅长图像识别与学习，在医学影像学研究最多，也逐渐应用于心电学、人脸识别、糖尿病视网膜病变等领域。2019 年柳叶刀上发表了一篇基于深度学习构建房颤诊断模型的文章，文章提出深度学习可以别到人眼不能观察到的心电信号，这有利于阵发性房颤、房颤伴其他复杂心律失常的诊断。
3、计算机辅助诊断模型应用现状及不足
大部分模型所用的训练集和测试集数据来源单一，在临床应用中的准确性不高，泛化能力弱。
目前基层医疗机构所用的12 导联心电图普遍 带有辅助诊断功能，因为准确率低，得出的结论不可靠，目前构建的众多模型很少使用真实世界的心电数据，限制了其在基层医疗机构的应用。
研究表明基层医疗机构全科医生结合计算机辅助诊断模型能提高房颤诊断的准确性，但对于房颤筛查还不够，仍需加强基层医务人员心电知识培训。培训作为 提高房颤诊断准确性的“慢方案”，无法解决基层医疗 机构面临的“急问题”，因此构建性能良好的计算机辅 助诊断模型显得尤为重要。
4、总结及展望
基于心电特征的计算机辅助诊断模型可以辅助全科医生快速做出心电图诊断，深度学习作为人工智能新兴技术，在图像识别、高维数据及非线性特征处理等方面具有显著优势，两者的有机结合 是否会产生性能更佳的模型值得进一步研究。总之，深度学习必将成为未来医学图像识别的主流，将越来越多的应用在各大领域。
编辑：杨塞丽
-
-
-
-
-
-
-
-
-
-
