心房顫動（簡稱房顫）是一種可導致多種嚴重併發症的心律失常。其中，陣發性房顫具有陣發性和無癥狀性特點，故難以診斷。長程心電所獲得心電大數據可以提高陣發性房顫的檢出率，但心電大數據的判讀卻成為基層醫療機構的負擔和難題。為解決以上問題，多種基於心電特徵的淺層學習模型不斷出現，這些模型高度依賴人工提取特徵，均有局限性。深度學習是一種數據驅動的自動特徵學習算法，彌補淺層學習的不足。
Lorenz 散點圖作為心電大數據快速分析的新興方法，其輸出的二維圖形是深度學習的優質素材。研究表明，診斷常見心律失常時，現有的多種淺層診斷模型相比於全科醫生有更高的準確性，但錯誤率仍舊很高，不能據此進行臨床診斷和治療。尤其在房顫診斷方面，現有診斷模型並未顯著提高診斷準確率，特別是在老年人群中出現錯誤診斷的可能性更大。迫切需要構建深度學習模型來幫助基層全科醫生診斷房顫。
本文綜述房顫計算機輔助診斷模型的優劣以及機器學習在房顫診斷中的應用現狀，為輔助診斷模型構建提供新思路，同時為基層醫務人員解決心電大數據的判讀難題提供新視角。
1、房顫計算機輔助診斷模型的優劣
1.1 基於心房波的心電特徵的模型
房顫計算機輔助診斷模 型是根據心房波和RR 間期構建而成的，心房波表現為P波消失和f波出現。由於f波峰值低，容易受到基線漂移、運動偽影、工頻和肌電干擾，使得基於心房波診斷模型的特異度和靈敏度低。優點在於其波形特徵提取 窗口窄，不需要長片段心電圖構建模型，有利於陣發性房顫的檢出。
1.2 基於RR 間期的心電特徵的模型
RR間期的診斷模型不能很好地區分房顫和非房顫心律失常，且缺失了f波信息。當房顫伴有房室傳導阻滯、房室交界性心動過速時，其RR間期表現為規律性，此外房撲或多源性房性心動過速的RR間期可表現為無規律性，RR間期特徵提取窗口寬，需要 50~500個心搏，難免漏診發作時間短的陣發性房顫。
1.3 基於心房波和 RR 間期聯合心電特徵的模型
聯合心房波和RR間期特徵的模型診斷房顫的價值略優於僅基於RR間期的模型。診斷房顫的價值略優於僅基 於 RR 間期的模型。但是聯合診斷模型的性能取決於峰值檢測，長程心電圖容易受到日常活動的干擾出現大量的高峰干擾波，嚴重影響其性能。
1.4 基於非線性的心電特徵的模型
KUMAR 等根據彈性分析小波變換（FAWT）獲取的子帶信號，據此計算對數能量熵（LEE）和置換熵（Pen），這類基於非線性特徵的模型能區分竇性心律和房顫之間的微小差異，同時不依賴f波和R波的檢測。
1.5 基於心電散點圖的心電特徵的模型
1.5.1 Lorenz 散點圖
Lorenz 散點圖又稱為 Poincaré散點圖、心電散點圖，在平面直角坐標系中通過（RRn-1， RRn）確定一點，迭代運算製作而成。Lorenz 散點圖不依賴心電波形的檢測，同時對房顫伴有其他複雜心律失常的診 斷及鑒別診斷更優。
Lorenz 散點圖作為非線性分析方法，從宏觀層面分析心電大數據。廣義的心電散點圖包括差值散點圖、RDR散點圖、三維散點圖等，由於觀察切面的變化以及維度的增加，可為臨床醫生提供更多更詳細的房顫心電特徵。
1.5.2 基於 Lorenz 散點圖的心電特徵
經過對房顫Lorenz散點圖形狀進行分析，提取「簇數量」診斷線上點離散度節律間期平均步進增量3個指標；通過k均值聚類法、支持向量機兩個分類器來區分房顫節律和非房顫節律，結果表明該模型的平均靈敏度和平均特異度分別為 91.4% 和 92.9%。有研究者提出 Lorenz 散點圖不同區域點的頻率分佈和複雜相關度量（CCM）兩個指標，將兩者輸入神經網絡，所構建的診斷模型準確率高達 94%。
LOWN 等在 Lorenz 散點圖的基礎上，提出包含 60個RR間 期的差值散點圖，根據差值散點圖的特徵，經支持向量 機構建房顫計算機輔助診斷模型，該模型在訓練集的靈 敏度為 99.2%，特異度為 99.5%；在測試集的靈敏度為 100.0%，特異度為 97.6％。但上述模型所用的的數據來自國際標準心電數據庫，來源單一，泛化能力受到限制， 這些模型在真實世界中的診斷性能仍需進一步驗證。
2、機器學習在房顫診斷中的應用進展
2.1 基於淺層機器學習的輔助診斷模型
淺層機器學習算法包括隨機森林、支持向量機、LASSO 回歸、決策樹、 樸素貝葉斯、K 均值聚類等。此類模型需要人工提取特徵指標，人工提取過程容易受到主觀影響，同時無法利用高維特徵所提供的有效信息，限制了其在心電大數據的推廣和應用。
2.2 基於深度學習輔助診斷模型
深度學習擅長圖像識別與學習，在醫學影像學研究最多，也逐漸應用於心電學、人臉識別、糖尿病視網膜病變等領域。2019 年柳葉刀上發表了一篇基於深度學習構建房顫診斷模型的文章，文章提出深度學習可以別到人眼不能觀察到的心電信號，這有利於陣發性房顫、房顫伴其他複雜心律失常的診斷。
3、計算機輔助診斷模型應用現狀及不足
大部分模型所用的訓練集和測試集數據來源單一，在臨床應用中的準確性不高，泛化能力弱。
目前基層醫療機構所用的12 導聯心電圖普遍 帶有輔助診斷功能，因為準確率低，得出的結論不可靠，目前構建的眾多模型很少使用真實世界的心電數據，限制了其在基層醫療機構的應用。
研究表明基層醫療機構全科醫生結合計算機輔助診斷模型能提高房顫診斷的準確性，但對於房顫篩查還不夠，仍需加強基層醫務人員心電知識培訓。培訓作為 提高房顫診斷準確性的「慢方案」，無法解決基層醫療 機構面臨的「急問題」，因此構建性能良好的計算機輔 助診斷模型顯得尤為重要。
4、總結及展望
基於心電特徵的計算機輔助診斷模型可以輔助全科醫生快速做出心電圖診斷，深度學習作為人工智能新興技術，在圖像識別、高維數據及非線性特徵處理等方面具有顯著優勢，兩者的有機結合 是否會產生性能更佳的模型值得進一步研究。總之，深度學習必將成為未來醫學圖像識別的主流，將越來越多的應用在各大領域。
編輯：楊塞麗
