心電人工智能自動分析的現實需求和關鍵問題

沈仲元

人工智能(artificial intelligence,AI)是研究、開發用于模擬、延伸和擴展人類智能的理論、方法、技術及應用系統的一門新的技術科學。AI 領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。AI 自誕生以來,理論和技術日益成熟,成為當前科技創新最主要的領域之一。AI 也可以說是計算機科學的一個分支,使機器和計算機系統模仿人類智力處理問題,其核心分支包括機器學習、深度學習等。機器學習的算法具體包括人工神經網絡、卷積神經網絡等［1］。AI 的要件——算法、算力、數據庫,被譽為AI 的三大基石。在AI 領域,“算法”是根、“智能”是殼,如果沒有“算法”,“智能”就像傳說,沒有靈魂;云計算是算力,目前大量的服務器并行運算幾乎可以提供無限的計算力;數據庫可以是線下的服務器,也可以是云存儲,用來儲存幾乎無限量的數據信息。關于這方面眾論繁多,不在此敘。

心電圖分析是AI 自動分析運用最早和最成功的領域之一［2］。隨著計算機、電子技術和網絡技術的飛速發展,心電記錄設備的制造技術也在飛速發展,對心電圖自動分析的要求不斷提高;這方面的工作也取得了很大進展,但還不能滿足心血管臨床和國家全民健康管理的需求。下面就常規心電圖、動態心電圖、可穿戴式長時程記錄心電圖和心電散點圖在AI 自動分析方面的應用需求和問題提出一些看法。

1 常規心電圖的人工智能自動分析

心電圖機發明至今已有100 多年的歷史,其間國際上對心電圖機設備本身、操作、導聯體系和診斷早已實現標準化,除了部分疑難心電圖需要人工鑒別外,歐美、日本和中國生產的心電圖機的自動分析診斷功能已基本能夠滿足臨床的大部分需要。針對基層和偏遠地區專業技術人員缺乏的問題,遠程心電網絡技術也很成熟［3］,只是在推廣和資金投入方面仍存在問題。

常規心電圖數據庫一般都比較容易建立,國內很多三甲醫院都可以輕而易舉地擁有數百萬病例,從而建立起數據庫,并且國內也有相應的小型心電圖數據庫［4］。但如果要從國家健康戰略層面或心血管學科專業建設的角度考量,建構心電圖數據庫的大平臺無疑是一個大型工程,還需要更多方面的組織和協調才能完成［5］。

對于已積累的大量數據和分布在各個醫療機構的小型心電圖數據庫,僅需幾臺計算機就能滿足算力要求。單份常規心電圖的數據量小、圖形質量穩定,數據庫內的常規心電圖數量龐大。針對這些特點,AI自動分析算法還有許多重要工作可做。圖像識別是AI 應用最廣泛和最成功的領域之一。在心電圖形方面,ST 段抬高型急性心肌梗死以單體波形為主要特點,可以把波形轉換成像素圖形并結合曲線(如頻譜),用AI 機器學習方法進行大量數據訓練,建立預警算法模型。在心律失常研究方面,心電圖是連續性矢量變化曲線,可以用AI 深度學習的人工神經網絡、卷積神經網絡等多層非線性運算模型,通過自學習找到有效的特征來建立房顫、心房撲動、室速、完全性房室阻滯等惡性心律失常的預警算法模型。其中,最有價值的是可以充分利用常規心電圖數量大且圖形質量穩定的特點,進行AI 的監督式學習與無監督學習和訓練,為動態心電圖和長時程心電圖提供特定的算法模式、類別及特征。這方面的工作盡管已做了不少,但是由于這類算法大多不是開源的,因此成果也很少被真正推廣使用。

2 動態心電圖的人工智能自動分析

24 h 動態心電圖已廣泛應用了60 多年。它可以在24 h 內連續記錄多達10 萬次的心電信號,明顯提高了非持續性心律失常及短暫性心肌缺血發作的檢出率,是一般醫療機構的心電圖室和心血管科室的常規檢查項目［6］。盡管動態心電圖檢查具有方便、及時的優勢,但其仍遠遠不能滿足患者的需求。而優秀的AI 算法對減輕心電技術人員的工作負擔、提高分析效率和準確性有極大的幫助。另外,因農村和偏遠地區的衛生中心缺乏檢查設備或專業技術人員,開展動態心電圖檢查困難重重。遠程動態心電中心在云上通過AI 自動分析數據產生結果,再由中心專業人員對結果進行修正后出具診斷報告,返回基層醫療機構,形成心電診斷的高質量閉環。這也是遠程心電和健康管理的重要內容。

動態心電圖數據庫目前主要有三種用途:①為一般動態心電分析軟件的設計提供檢驗模板;②用于訓練算法,開發更優秀的分析軟件;③服務遠程心電中心診療和健康管理的需要。除了要求數量龐大以外,動態心電圖數據庫中的數據還必須有標準化的格式和存儲路徑,以便于管理和算法軟件的開發,最好還要具有權威性、公共性和開放性;有些數據作為檢驗標準還需要有正確的標注,如美國心臟協會(AHA)和 麻省理工學院(MIT)的動態心電數據庫。動態心電數據是長時段、多通道的矢量曲線信號,檢測時間長,數據量隨采樣頻率和分辨率的提高呈幾何級的增長。由于醫用電子技術發展階段的不同,國內外動態心電圖機生產廠商的設備標準和數據結構表達也不同。雖然國內大醫院保存的動態心電數據量已非常龐大,但仍未形成大數據庫［5］。要建立動態心電公共數據庫平臺,不僅需要制定公認的標準數據和格式,而且還要把各種格式的動態心電數據轉換成標準格式。這就需要各醫療機構開放數據,也需要各廠商開放各自的數據格式,還需要醫療機構、醫療學術部門通力協作才有可能完成。

目前,性能較好的計算機都能滿足一般醫療機構分析數據的算力要求。如果遠程動態心電中心和分布式終端模式需要云端并行計算,那么就要采用服務器方式,并根據終端的數量和數據的流量決定服務器的數量,以滿足算力的要求。目前,許多廠商生產的動態心電圖記錄儀都采用自動分析加模板和人工干預的方式,能基本滿足一般臨床需要。但即便以AHA 和MIT 數據庫的數據標準標識為基準,自動分析結果的準確符合率達到99.5%以上,但在實際應用中卻仍不盡如人意。針對數據庫單獨不變的兩個導聯短時程(30 min)典型數據進行算法設計,不能完全適應不同人群及在不同狀態下動態心電的不同特點。這就需要更復雜的算法設計,才可能滿足醫療機構、遠程心電平臺和健康管理的動態心電自動分析需求。

動態心電圖主要是回顧性的、靜態的、連續記錄24 h 的心電數據。利用機器學習的監督或無監督、強化、靜態或動態等各類算法進行模型訓練和自動識別歸類,再從大量個體中提取和總結,能夠研發出優秀的動態心電AI 分析軟件,以滿足遠程心電和健康管理的動態心電自動分析需求。目前國內外動態心電分析算法的相關論文和報道很少有開源的,無法共享;商業行為又涉及資金投入、知識產權、商業模式等問題。所以,要產生基于大數據的動態心電AI 自動分析算法,除了數據庫和算法要具有權威性以外,還要能共享、能開放、能移植。這同樣有賴于醫療機構、醫療學術部門和行政部門、科技公司的通力協作。

3 可穿戴式長時程記錄心電圖的人工智能自動分析

隨著互聯網、移動網絡和電子技術的飛速發展,可穿戴式長時程心電記錄設備已然興起。長時程貼片式心電記錄設備采用了近幾年國際和國內開發的一種無導線遠程心電新技術,只要將這種重量很輕的微型心電圖記錄裝置貼在人體胸部皮膚上,就可以記錄數天甚至更長時間的心電圖信息,并可隨時通過遠程信息技術,將采集和儲存的心電信息發送到指定的心電信息分析中心［7］。長時程貼片式心電圖記錄設備使用方便、心電信息量龐大,是動態心電圖機的有力競爭者［8］。該技術已在發達國家廣泛應用,并受到各類資本的追捧。長時程貼片式心電設備無論是產品本身的價格,還是使用價格都已開始具有明顯競爭力,甚至被認為將與家庭電子血壓計、血糖測試儀共同成為家庭或個人的保健產品。該產品具有以下明顯優勢:①操作簡單,操作人員無須接受系統化培訓;②能有效捕捉嚴重危害人體健康的陣發性短陣心律失常,如房顫、惡性室性搏動等;③臨床上可對心臟射頻消融和支架安裝等手術后的心血管事件進行跟蹤、對特殊疾病藥物治療后的效果進行跟蹤觀察與反饋;④解決了目前國內基層醫療機構,包括鄉村和偏遠地區醫療機構缺乏動態心電設備,尤其缺乏專業技術人員的問題;⑤適應老齡化健康管理的需要;⑥適用于運動醫學、特殊工種人員體檢、健康體檢、旅行風險監測等其他領域。

可穿戴式長時程心電監測設備是心電領域的重要創新科技成果,具有發展快、應用廣、數據量大、實時性強的特點。但它的AI 自動分析算法還在起步階段,遠沒有跟上發展的需要,今后在這方面仍有大量工作要做。

由于這類監測設備往往是建立在互聯網和移動網絡基礎上的,因此需要采用瀏覽器模式和平臺,構建云端服務器和數據庫,并與分布式遠程心電中心的數據和數據庫管理模式相結合,采用客戶端B/S 數據流模式。隨著用戶端的增多,算力要求相應提高,需要多個服務器并行運算。界面、架構、運算程序等需要由不同的軟件工程師編寫,這有賴于信息技術行業的專業人員和技術公司才能完成。對于云端各種服務器的維護和管理,醫療機構通常很難單獨承擔,需要借助于社會和企業資源的支持。在可穿戴式長時程心電監測設備的實際應用中,除了數據結構標準化以外,還涉及數據的隱私權和所有權等其他很多問題;如果采用移動通信網絡,還涉及國家的規范和政策、安全要求、法律邊界等問題。為了順應技術發展趨勢、滿足醫療健康需求,不少醫療機構、行政機構及科技公司正在該領域密切合作,在技術應用、運行模式等方面努力探索。

可穿戴式長時程心電監測設備應用中最突出的是算法問題。心電信息的長時程和信息質量的不穩定對AI 算法提出了更高要求。這主要表現為以下方面:①人體心臟位置和電極安放部位的差異引起心電電壓低,體位變化引起心電圖形態變化;②連續數天的長時程監測對電極片的性能和如何減少偽跡提出了更高要求;③采用移動通信作為數據傳輸方法,信號發送和接收的過程會對心電信號的質量和連續性產生明顯的影響;④最常見的長程單導聯記錄設備無其他導聯供分析參考;⑤運算量大、實時性要求高(有時需要提供實時的動態心電分析報告)。

影像、檢驗等其他醫療信息基本上屬于靜態像素數據,而心電信號是矢量信號,記錄時間長且數據動態變化大、維度多、隨機偽跡多,加之可獲得的開源資源極少,這些因素增加了長時程單導聯心電信號AI算法的開發難度。心電信息的AI 算法研究需要醫學、生物醫學工程、數學、計算機科學等多學科的合作,尤其是當前計算機技術和AI 技術發展日新月異,派生的各種細分算法層出不窮,而這些算法的正確性、可讀性和有效性仍有待臨床檢驗。

4 心電散點圖人工智能自動分析

心電散點圖是分析長時程心電圖的有力工具,尤其是對心律失常的快速和準確診斷起了很重要的作用。散點圖的形態特點描述往往是由心電生理和心電圖形特征相互印證、經推演過程之后產生的,如室早和室內差異性傳導的鑒別診斷,室性并行心律、房顫伴雙徑路等復雜心律失常的識別等［9］。今后,散點圖的應用也將對更多復雜心律失常的診斷發揮不可忽視的作用［10］。

心電散點圖AI 分析有如下3 個特點:①只需一定長度的連續記錄心電圖就能進行散點圖分析,而無須顧及心電設備的各種參數指標和導聯連接方法。②散點圖目前已形成比較一致的表達方法和格式,只要通過已被正確識別和標注的RR 間期及統一的表達格式文件,就可以便捷地實現不同主體之間的數據交換、算法共享、結果共享,而無須強大的算力或龐大復雜的數據庫管理系統的支持。③散點圖本質上是由連續數據轉換成的圖像模式,而圖像識別是目前AI 識別的強項。通過專業人員編寫AI 程序進行學習檢驗,不同類型心律失常的散點圖特點可以隨著數據量的累加而不斷顯現,算法得以持續完善,散點圖的特征類型與心電診斷不斷契合,從而使散點圖診斷的準確性、易行性和快速性更為凸顯。然而,散點圖在臨床應用中也存在缺陷,例如,在相同頻率的窄QRS 節律中,其無法區分心律失常的性質,對心肌缺血的診斷幫助不大。

5 結語

對于常規心電圖、動態心電圖、長時程心電圖和心電散點圖等心電數據的AI 自動分析,是心電學界跟進AI 和大數據時代,開展科學探索和不斷解決心電臨床應用及健康管理問題的時代要求。目前,在心電AI 自動分析數據庫建設中存在的主要問題如下:①算法誰來做? 生物醫學工程技術交叉學科人員與醫療專業人員的知識分離,需要進一步加以整合、協作與磨合。②數據庫誰來建? 作為一個學科建立的數據庫大平臺,要有統一的數據格式和標準,真正做到可開放、可升級、可維護,同時,也要明確數據使用權和開放權、個人隱私信息保護界限等關鍵性問題。③成果歸誰? 心電AI 算法的編寫、云端算力和數據庫平臺的建立,可以是醫療或行政機構的公益行為,也可以是科技公司或資本介入的商業行為。知識產權的歸屬是需要探索和解決的重要問題。④法律法規問題。互聯網和移動網絡公共平臺在進行心電信號傳輸記錄過程中有不可控的、難以預測的風險,需要借助法規加以明確;心電設備自動分析診斷的檢測、監測、監護功能概念需要界定清晰;健康管理和醫療診斷解讀的界限、法規和政策邊界需要完善等。

要有效解決心電AI 算法的研發及心電自動分析推廣中面臨的諸多難題,不僅需要業內專家凝聚共識,而且需要相應的政府部門和醫療機構主導,也需要科技公司介入、心電專業機構組織協作等。可喜的是,這些問題已經引起了心電學界的重視,也有越來越多的部門和科技公司參加進來,取得了很多的經驗。全國政協委員、中國科學院院士葛均波在今年3月召開的全國政協十三屆四次會議上提出的遠程心電六條措施的落實,將為心電信息AI 分析的發展帶來新的機遇,也將為本文提出的一些關鍵問題的解決帶來積極的影響。