人工智能與心律失常研究進展

陳 程，孫 陽，夏云龍

人工智能指機器基于對數據的處理以完成通常需要人類認知功能才能完成的任務。在現代，人工智能已經可以通過挖掘高密度數據以完成對復雜模型的分類和抓取新穎的數據特征[1]。機器學習是人工智能的分支學科，可以通過算法在數據中學習，進一步識別數據中的非線性關系和高階交互關系，而這在傳統統計學中無法實現[1]。2020 年歐洲心臟病學會（European Society of Cardiology，ESC）大會上，人工智能被認為是心血管領域發展的前沿，將為心血管診斷和個體化治療帶來巨大的變革[2]。人工智能應用于心臟電生理并非是一個新興的概念，早在20 世紀70 年代就已有通過人工智能對心電圖進行自動分析[3]。近年隨著大型電子數據庫的建立，算法、軟件及硬件的不斷創新升級，人工智能在心臟電生理尤其是心房顫動（atrial fibrillation，AF）的應用不斷進步[4]。本文將對人工智能分別在AF、心源性猝死、起搏等領域研究進展作一綜述，同時對人工智能目前應用所遇到的局限以及未來發展方向進行總結和展望。

1 人工智能與AF

1.1 便攜智能設備與AF 篩查 穿戴式光電容積描記器（wearable photo plethysmo graphic sensors,PPG）通過對脈沖頻率和規律進行長期被動評估，進而識別AF 特征性的不規律脈搏。在Apple Heart 研究中，共有419 297 名參與者接受基于PPG 的蘋果手表監測，其中2 161 名參與者識別到不規律的脈搏活動。隨后對450名參與者進行連續1周的動態心電圖監測，共有34% 的參與者最終診斷為AF，基于PPG 電子手表監測的陽性預測值可達84%[5]。在此基礎上，Kardiaband 等對4 代和5 代蘋果手表進一步升級，當手表上PPG 識別到不規則心率時，提示使用者利用手表表冠上的傳感器記錄單導聯心電圖。而在2 代和3 代蘋果手表中，Kardiaband 利用PPG 和手表上的計步器持續監測使用者的心率和活動強度，當出現心率紊亂時提示使用者使用預先安裝在表帶上的感應器通過拇指描記I 導聯心電圖。這一算法在24 名帶有植入式心臟監視器和陣發性AF 病史的患者上進行驗證，結果提示該算法對發作1 h 以上的AF 敏感度達97.5%，對AF 發作時長的敏感度達到97.7%[6]。中國人民解放軍總醫院心內科聯合華為公司也進行了類似的研究[7]。基于PPG技術的華為腕帶和手表對187 912名參與者進行至少14 d 的持續脈律監測，最終有227 名參與者診斷為AF，其陽性預測值達92%。除此之外，通過智能手機攝像頭進行無接觸面部識別和指尖PPG 感應器也表現出對AF 篩查和診斷的潛力[8-12]。一項meta 分析發現通過結合上述技術，其敏感度和特異度可分別達94%和96%[13]。

另外，一種基于可手持設備的心臟監測系統可以用于癥狀性AF 的監測[14-15]。被測者在癥狀發作時通過手指觸摸接收器，可在手機上實時監測并記錄心電圖。多個研究報道該種監測系統無論對于門診患者還是住院患者，敏感度和特異度均可達90% 以 上[16]。Chen 等[17]通 過 同 時 裝 有ECG 和PPG接收器的手環監測AF，結果提示該手環明顯優于ECG和PPG設備，其準確性可高達97.5%。

可穿戴式智能設備由于體積較小，使用者攜帶方便，具有可長程紀錄患者心電活動的特點，因此對可疑AF患者的監測、評估AF患者的AF負荷、射頻消融術后長期評估及預防AF復發起至關重要的作用。另一方面，可穿戴式設備可廣泛應用于門診、住院部，甚至是在醫療水平欠缺的基層醫院及社區醫院，使患者可以在家庭中自主使用設備監測心率，減少不必要的開支并且節省了公共醫療資源。

1.2 深度學習與AF 診斷 深度學習是機器學習的一個亞型，相較于傳統的監督機器學習，它的最大優勢是可以更靈活的處理原始輸入數據而無需人工對變量及特點進行識別整理。例如在自動心電圖分析中，早先的監督機器學習依賴于傳統心電學指標作為輸入變量，而深度學習可自動處理原始心電圖進而診斷竇性心律或各型心律失常，其準確性也與心臟病學家一致[18]。其中，卷積神經網絡（convolu‐tional neuronal networks，CNNs）是深度學習最常用的方法學。梅奧診所基于CNNs對12導聯心電圖進行分析，納入超過18萬名參與者的共計45萬份心電圖，通過超大數據集的機器學習和數據集內訓練，從而識別陣發性AF患者竇性心律時的心電圖特征，用以篩查未被發現的陣發性AF 患者[19]。該特征通常無法由臨床醫師肉眼識別，但可以有效的通過竇性心律心電圖篩查潛在的AF患者，其模型結果顯示當結合多份竇性心律的心電圖進行診斷時工作特征曲線下面積可達0.90。該方法可有助于確定AF 篩查和指導不明原因卒中患者抗凝治療。

1.3 人工智能與AF 表型 AF 是一種多種病因或混雜因素共同作用下產生的一種心律失常疾病，可表現出多種不同的表型。非監督下的聚類分析可以幫助AF表型的分類，進而作為臨床AF評估和管理的補充。美國一項納入9 749例AF患者的研究，通過聚類分析60種不同的臨床指標將AF分為4種表型：①缺乏危險因素的AF；②合并有不良生活行為的年輕AF患者；③合并有快-慢綜合征并植入起搏器的AF 患者；④合并有動脈粥樣硬化疾病的AF患者[18]。此分型在其他隊列中也得到了驗證，不同表型的AF 有明顯不同的預后。有趣的是，該表型分類并非基于傳統臨床AF 常用指標，例如左心房大小或AF 類型，而是以合并癥為基礎進行表型劃分。這對指導AF的治療有重要意義，提示AF的治療不僅限于藥物或基于射頻消融的手術，而應該為包括治療合并癥及控制危險因素在內的綜合治療。另外，日本一項類似的研究以日本AF 患者為樣本進行聚類分析，將表型分為：①年輕的陣發性AF患者；②伴有左心房增大的持續性AF患者；③合并動脈粥樣硬化疾病的AF 患者[20]。該結果可能提示AF的表型在不同地區人群可能存在差異。

1.4 人工智能與AF 射頻消融 隨著AF 電生理標測和三維成像的快速進展，機器學習通過對此類數據不斷訓練和學習，給AF 的分類和患者個體化治療帶來新的信息。在一些研究中，機器學習通過對核磁共振（magnetic resonance images，MRI）圖像模型中AF 患者左心房幾何結構的深度學習和訓練，可以識別心房肌中纖維化組織并預測未被射頻消融干預的AF 驅動靶點[13,21-22]。然而，目前AF 標測系統自動識別的AF消融靶點常仍需要術者的進一步判斷識別，而不同術者對同一消融靶點也可能得出不同的結論。因此，機器學習可能闡明AF 標測過程中仍存在爭議的部分。近期，研究者將來自35 例AF 患者的175 000 份AF 標測圖像放入深度CNNs 進一步訓練，以識別射頻消融的可能靶點。結果顯示當以持續性AF 消融終止為終點時，其準確性可達95%[23]。

1.5 人工智能與AF 預后預測 AF 常常對左心房形態產生影響，主要表現為左心房容積和形狀的改變。近期一項研究通過分析接受射頻消融術后的AF 患者MRI 特征，通過機器學習定量分析并識別到19 個形態學特征可以用于預測AF 術后復發時間[24]，并同時發現肺靜脈短小且向側方旋轉的圓形左心房與AF復發顯著相關。而另一項研究通過統計模型對AF 患者MRI 圖像分析并挖掘相關變量，放入機器學習中進一步訓練預測AF 復發，其結果示工作特征曲線下面積為0.71[25]。

2 人工智能與影像學在心律失常中的應用

目前，心電生理醫生對于心律失常的診斷金標準仍為心臟電生理檢查，但是該種方法仍然存有創傷，步驟復雜等缺點。目前隨著人工智能與機器學習的不斷進步，無創性的心電生理檢查成為可能。心臟影像學通過與包括CNNs在內的機器學習相結合，顯著提高了心臟核磁共振（cardiac magnetic resonance，CMR）采集速度、時間效率、圖像重建質量、分辨率和分割的準確性[26-28]。同時，人工智能與CMR 三維重建圖像結合可以有效定位心律失常起源部位以及心肌病變位置，這對于后續治療特別是射頻消融治療帶來巨大價值。目前，Amycard 01C系統（EP Solutions SA, Yverdon-les-Bains, Switzer‐land）和ECVUE 系 統（CardioInsight Technologies Inc., Cleveland, OH, USA）可以定位房性和室性心律失常并已商業化上市[29-30]。他們可以在整體視圖上實時動態呈現心房以及心室電活動甚至AF發生情況并將其可視化，通過這項技術局灶AF 和轉子均可呈現，這在傳統電生理mapping 系統上是無法做到的。 另外，下一代非侵入性mapping 系統（View into ventricular onset，VIVO）也已被提出，該系統通過結合體表12 導聯ECG 和心臟影像（CMR或CT圖像），可以預測室性早搏電活動位置和室性心動過速病灶位置，其準確性可分別達85% 和88%[31]。隨著心臟成像技術和體表標測技術的發展，ECG采集技術也取得了進一步的進步。ECG成像系統將體表標測（使用多達252 個電極代替標準12 導聯）與非對比劑計算機斷層掃描相結合，同時記錄電極位置和心臟表面幾何結構，通過逆向算法在患者心臟的三維重建模型圖像上定位心房或心室異位的局部電活動[32]。

隨著非侵入方法確定心律失常病灶的技術發展，部分研究者通過放射治療的方法治療心律失常（主要為繼發于缺血性心臟病的室性心律失常）。Robinson 等[33]納入難治性室性心動過速和伴有頻發室早的心肌病患者，通過ECG 圖像和心臟影像學解剖圖像定位心臟疤痕區，隨后給予局部定向放射治療（stereotactic body radiation therapy，SBRT），可以有效減少患者心律失常發生負荷，減少后續抗心律失常治療并顯著提高患者生活質量，其6 月和12 月整體生存率為89% 和72%。另外，首個將SBRT 用于治療左房存在纖維化的陣發性AF 患者的病例被報道，其結果證實了SBRT用于陣發性AF的有效性及安全性[34]。但上述技術仍需經過更大規模臨床試驗和長時間隨訪證實。

3 人工智能與心臟器械治療

3.1 人工智能與心力衰竭CRT 植入患者的分型Cikes M 等收集1 106 例植入心臟再同步化治療（cardiac resynchronization therapy，CRT）或植入型心律轉復除顫器（Implantable cardioverter defibrillator，ICD）心力衰竭患者的全心動周期張力和容積指標，通過多核學習綜合復雜心功能區域模式（每個心動周期共計1 623 個心動超聲數據點）和大量臨床資料，將患者分為4 個亞群[35]。其中2 個亞群對CRT 容積反應更好并在植入CRT 后獲益最大。該算法也優于單純以臨床特征或心動超聲指標的預測模型。

3.2 人工智能與預測心臟再同步化治療反應 數個研究通過建立模型早期預測CRT 應答。Kalscheur MM 等[36]通過建立隨機森林模型預測CRT 術后心力衰竭事件和死亡復合終點。模型共納入45 個常見指標，結果提示該預測模型優于傳統臨床指標如束支阻滯形態和QTS時限（工作特征曲線下面積為0.74）。另一研究在回顧性隊列中預測CRT 術后心臟超聲變化[37]。研究者評估了各種機器學習算法和臨床變量集，發現使用簡單貝葉斯分類器創建的機器學習模型和只有9 個變量的機器學習模型比其他具有廣泛特征集的模型表現更好。盡管機器學習模型相較指南推薦改善程度不大，但機器學習模型在預測反應和對無事件生存率的區分方面優于當前指南。Tokodi M 等[38]通過納入33 個變量訓練隨機森林模型并建立SEMMEL‐WEIS-CRT 評分，以期預測CRT 術后患者1 至5 年全因病死率，結果提示機器學習訓練模型對病死率的預測評估優于目前的臨床風險評分。

3.3 人工智能與AF 卒中風險預測 另外，有研究團隊通過基于隨機森林結合CNNs的機器學習算法，分析已植入ICD 的AF 患者的AF 發作負荷，結果提示機器學習算法結合CHA2DS2-VASc評分對于AF患者卒中風險預測相較于單純的CHA2DS2-VASc評分具有更好的預測能力，其工作特征曲線下面積可以由0.52顯著提高到0.63[39]。

4 人工智能與遺傳性心律失常相關危險因素

Chen 等[40]通過聯合隨機森林模型和非負矩陣分解法并納入20 個心電圖指標和15 個臨床指標，以期明確和住院患者獲得性長QT綜合征全因死亡相關的危險因素。結果提示隨機森林模型和非負矩陣分解法的聯合使用可以有效提高模型的預測能力，C 指數從0.77 顯著提高到0.89。另外，確定了包括腫瘤、血鉀、血鈣及JTc 間期在內的多種風險因子。

同樣，Gary 等回顧性納入Brugada 綜合征患者共計149 名，研究發現暈厥、AF、QRS 時限和QTc間期為Brugada 綜合征患者自發性室速和室顫的獨立預測因子，而通過非負矩陣分解法可顯著提高模型的預測能力，工作特征曲線下面積可由0.71 提升至0.80[41]。

5 人工智能的局限性與發展方向

盡管目前有大量關于人工智能及機器學習在臨床應用的相關研究，但是僅有少數最終應用于臨床實踐[1]。人工智能在心電生理領域的應用仍存在諸多問題及局限性：①人工智能在臨床的應用較應用于商業、經濟及科技領域要更為復雜。人工智能模型在不斷學習訓練過程中在不斷變化，只有經過長時間大樣本量的不斷訓練模型才能相對穩定，才能通過政府監管機構的審批。另外，一旦人工智能產生錯誤的結果可能造成嚴重后果，例如漏診嚴重的致命性心律失常可能造成患者死亡，以及人工智能在臨床應用過程中存在的結果解釋問題、患者隱私及相關法律問題都應得到重視。②基于人工智能的模型應具有普適性。許多人工智能模型基于特定人群如住院患者，以及基于回顧性分析，這均會導致訓練出的模型無法應用于一般人群。例如，一項研究顯示通過基于X 線深度學習診斷肺炎會受到來自于醫院偏倚的影響而無法推廣應用[25]。③機器學習方法學本身運算具有“黑箱子”特性，其運算過程并不透明，其如何通過數據得出結果并不能被人了解，這使得臨床醫生基于機器學習結果做出臨床診斷時缺乏信心。因此，相較于“基于機器學習指導的臨床決策”，臨床醫生更傾向于“基于機器學習建議的臨床決策”。④當納入統計模型的數據出現人為或非人為錯誤時，其得到的模型也將因此輸出錯誤的判斷和結果，而由于人類常常無法識別該種錯誤，這類錯誤常常具有隱蔽性[2]。⑤人工智能模型應結合臨床環境，才能更好的應用臨床實踐。部分人工智能模型所納入指標在臨床中極少應用，甚至無法獲取，即使模型本身具有可行性，但由于臨床可操作性的限制也會影響模型的應用。

迄今為止，人工智能在心律失常方面的應用表現出了巨大的潛力。從筆者的角度，人工智能在分析基因和蛋白組學數據、組織學特征或探究藥物在心律失常中的作用方向可以展現出更大的潛力。另一方面，人工智能模型的建立應該基于大范圍、多中心和大樣本量的數據進行。目前大多數人工智能模型常局限于單中心小樣本量數據庫，這會影響上文中提及的模型普適性。而通過大規模超大量的數據分析可以有效解決上述問題。