心電圖跟蹤圖像技術應用于新型冠狀病毒感染輔助診斷的新進展

秦歡 劉璐 查竣仁 陳荔紅 秦靜 張樹龍

2019 年,新型冠狀病毒(簡稱新冠病毒)在世界范圍內快速傳播,造成了全球范圍內的傳染病疫情暴發。 截至2022 年4 月,世界衛生組織公布的數據顯示,全球新冠病毒感染確診病例已超過5 億,而相關死亡人數達到620 萬[1]。 臨床上新冠病毒感染患者除有呼吸系統受損表現外,心肌損傷也較為常見,嚴重者甚至發生急性心肌炎。 即便是心臟檢查結果為陰性的新冠病毒感染患者,也可能發生亞臨床或隱性心肌損害。 心電圖表現出的電-機械耦聯改變能夠反映心功能狀況,但由于受到心電圖圖像處理技術的限制,臨床上識別心電圖波形的敏感性仍然較低[2]。

目前,深度學習和人工智能技術已被運用于生物醫學領域,該技術不僅可輔助醫生精確診斷、降低病死率,而且還能進行預后判斷[3]。 心電圖跟蹤圖像技術是人工智能與心電學的結合,它以卷積神經網絡(convolutional neural networks, CNN)等算法為基礎,提供先驗知識,產生相應模型,可輔助臨床根據心電圖對新冠病毒感染患者進行快速、無創和有效的診斷。 本文將主要綜述新冠病毒感染后的心電圖變化,以及心電圖追蹤圖像技術在新冠病毒感染輔助診斷中的應用進展,為臨床醫護工作者提供參考。

1 新冠病毒感染與心肌損害

ZHOU 等[4]在新冠病毒感染疫情暴發初期,從5 例患者的基因組中得到了一個完整的基因序列,確認了新冠病毒和嚴重急性呼吸綜合征冠狀病毒( severe acute respiratory syndrome coronavirus,SARS-CoV)能在同一細胞內形成血管緊張素轉換酶Ⅱ(ACE2)。 新冠病毒屬于RNA 病毒,在ACE2 受體的內吞作用下,其與SARS-CoV-1 配體結合得更加緊密。 雖然新冠病毒主要通過呼吸系統上皮細胞入侵人體,但大多數心血管細胞也表達ACE2,所以該病毒可能會通過ACE2 途徑入侵心肌細胞,從而加重心肌損害和心臟功能障礙[5]。

GUO 等[6]報道,新冠病毒感染患者出現急性心肌損害的比例高達27.8%,而美國的一項橫斷面研究顯示,在確診流感住院的成年人中,5.7%的患者發生急性心肌損害,僅為新冠病毒感染患者的1/5[7]。 新冠病毒感染會導致血管炎癥、斑塊不穩定、高凝狀態以及心肌損傷[8-9]。 病理資料顯示,新冠病毒感染患者的心肌間質有炎性滲出及壞死,而冠狀動脈(簡稱冠脈)會出現微小的血栓及炎癥。新冠病毒感染還會引起細胞因子風暴、敗血癥、彌散性血管內凝血,最終引發多個器官衰竭,甚至死亡。 新冠病毒感染所引發的心臟異常與冠脈痙攣、缺氧損傷、斑塊破裂、電解質異常、微凝塊、心肌損傷、細胞因子風暴、血管內皮損傷等因素緊密相關。

新冠病毒感染有多種不同的心電圖異常表現,如心律不齊等。 部分患者在發病早期會感到明顯的心悸[10];而在重癥患者中,心電圖異常更是頻繁發生(發生率高達33% ～93%),這與院內死亡率上升以及使用呼吸機呈正相關[11]。 BERTINI 等[12]對431 例新冠病毒感染的重癥患者進行了回顧性、橫斷面、多中心研究,所有入院患者均接受了常規心電圖檢查,發現有93%的患者出現心電圖異常,其中有22%表現為心房顫動或心房撲動、30%存在明顯的右心室壓力負荷過重。 在右心室壓力負荷過重的患者中,SⅠQⅢTⅢ心電圖變化占10%,不完全性右束支阻滯(right bundle branch block, RBBB)占9%,完全性RBBB 占11%。 ELIAS 等[13]研究表明,在108 例心電圖無異常且生命體征平穩的新冠病毒感染患者中,僅有5 例(4.6%)在住院后48 h 內死亡或須行機械通氣;而在216 例心電圖和呼吸體征異常的患者中,68 例(31.5%)死亡;在65 例心電圖異常而呼吸正常的患者中, 8 例(12.3%) 死亡。MCCULLOUGH等[14]對756 例新冠病毒感染患者首次入院心電圖進行分析,發現室性心動過速(簡稱室速)、房室阻滯、復極異常和RBBB 患者的死亡率更高,提示大部分新冠病毒感染患者有異常的心電圖表現,心肌損傷的出現往往提示疾病加重以及有發生嚴重意外的可能。 同時,心電圖所反映的心臟功能障礙也會直接影響預后,首次就診時,可根據患者的生命體征和心電圖的變化來判斷其預后。

2 新冠病毒感染后心電圖的變化

2.1 惡性室性心律失常

惡性室性心律失常一般是指短時間內會引起血流動力學障礙,甚至暈厥和猝死的心律失常,包括室速和心室顫動。 在新冠病毒感染患者中也可以觀察到惡性室性心律失常,發病的主要原因是藥物所致QT 間期延長、代謝異常、心肌炎[15]。 新冠病毒感染患者的肌鈣蛋白水平增高,室速或心室顫動的發生率顯著高于肌鈣蛋白正常組[6]。 室速可分為單形性或多形性。 單形性室速常見于新冠病毒感染患者,如ST 段抬高型急性心肌梗死(acute myocardial infarction,AMI)或心肌炎等。 多形性室速可由藥物所致QT 間期延長等原因引起,但在新冠病毒感染患者中不多見。 惡性室性心律失常的心電圖表現往往提示新冠病毒感染患者病情危重、生存率降低。

2.2 心動過緩或房室阻滯

據GUO 等[6]、HE 等[16]研究報道,大部分新冠病毒感染患者是有各種基礎心臟病的老年患者,隨著肺部病變的加重,可能會發展成二度、三度房室阻滯或室性心律失常,并很快發生心搏驟停。 相比于其他節律異常,心動過緩和房室阻滯在新冠病毒感染患者中并不多見。 AMARATUNGA 等[17]研究指出,新冠病毒感染患者早期出現明顯的心動過緩,可能與缺氧、藥物、炎癥因子等有關,但缺乏明確的相關性證據。

2.3 QT 間期和電軸異常

CHORIN 等[18]研究發現,超過24%的新冠病毒感染患者QT 間期出現延長,可能與羥氯喹、阿奇霉素以及氯喹等抗新冠病毒藥物的使用有關。 QT 間期延長可能會引發尖端扭轉型室速等不良臨床事件[19],而這些患者一般有急性呼吸衰竭、重癥肺炎和(或)大面積肺栓塞,且心電圖表現為右心室負荷過重,V1導聯R/S≥1,呈R 或Rs 型,QRS 波電軸右偏,Ⅱ、Ⅲ、aVF 和V1—V4導聯發生ST 段下降或T 波倒置[20]。

2.4 ST 段、T 波和QRS 波群異常

新冠病毒感染相關的心肌損害在心電圖上可表現為ST 段抬高或降低、T 波倒置及病理性Q波[21]。 LI 等[22]調查顯示,新冠病毒感染患者中,ST段和T 波改變是最常見的心電圖異常,占40%。 對于ST 段抬高患者,很難通過心電圖來鑒別心肌梗死、心肌損傷或心肌炎。 SARIRIAN 等[23]的研究納入了18 例心電圖表現為ST 段抬高的新冠病毒感染患者,因疑似AMI 而行冠脈造影檢查,結果8 例被確診為AMI,10 例為非缺血性心肌損害。 對于出現胸痛的新冠病毒感染患者,急診醫師應當進一步考慮是否存在ST 段抬高的心肌炎、心肌損傷以及AMI。 新冠病毒感染合并心包炎的心電圖表現與AMI 相似,如果多個導聯同時出現ST 段抬高,則有可能發生了冠脈阻塞;而心肌損害以彌漫性或廣泛性ST 段抬高為主。 臨床表現對ST 段抬高型AMI和心肌炎的鑒別診斷具有一定的參考價值。

2.5 新冠病毒感染相關肺栓塞的心電圖表現

新冠病毒感染會導致凝血功能異常,往往合并肺栓塞,特別是在危重患者中。 這與新冠病毒感染引起靜脈血栓栓塞的發病機制有關:病毒能促進凝血系統強化、血小板凝集功能增強、血管緊張素Ⅱ激活,由細胞因子介導的凝血酶原活化及病毒感染可能會導致局部發炎,并形成局灶性血栓[24]。 發生大面積肺栓塞時,心電圖通常以竇性心動過速(簡稱竇速)和(或)心房顫動為主,并伴有快速性室性心律失常[25]。 MIDDELDORP 等[26]對198 例新冠病毒感染住院患者開展了回顧性研究,其中39 例(20%)確診為下肢靜脈血栓,其心電圖主要表現為竇速、ST 段或T 波的微小變化;僅1/3 的患者顯示出較明確的右心室壓力負荷過重;只有不到10%的患者有典型的SⅠQⅢTⅢ心電圖表現。 肺動脈栓塞心電圖主要表現為胸前導聯T 波倒置和RBBB,因此,心電圖對于新冠病毒感染合并肺栓塞的診斷具有參考意義。 盡管心電圖可以提示肺栓塞,但是它不能用于確診或排除肺栓塞,往往需要借助其他影像學手段并結合臨床綜合判斷。

3 心電圖追蹤圖像技術在新冠病毒感染中的應用

3.1 心電圖追蹤圖像技術與CNN

CNN 是近年來深度學習領域的研究熱點之一,可用于提取醫學圖像中的高維信息,提高診斷準確率[27]。 RAHMAN 等[28]首次探討了利用CNN 模型從心電圖跟蹤圖像中篩選新冠病毒感染患者。 該研究將新冠病毒感染患者和心血管疾病患者的心電圖分別輸入CNN 模型,將6 種典型的CNN 模型運用于3 個不同的分類系統:①二分類(正常、新冠病毒感染);②三分類(正常、新冠病毒感染、其他心血管事件);③五分類(正常、新冠病毒感染、AMI、心律失常,以及陳舊性心肌梗死);結果顯示,該模型二分類的準確率高達99.1%。 ATTALLAH[29]同樣用二分類方法訓練模型,使其對正常人和新冠病毒感染患者的心電圖進行學習,發現其識別后者的準確率高達98.2%。 NGUYEN 等[30]根據CNN 模型提取的心電圖信號,能準確地識別新冠病毒感染,準確率高達98.5%。 該研究成果還可應用于便攜式穿戴設備中,與常規心電圖機相比,該設備更易獲取心電數據,能顯著提升新冠病毒感染或心血管疾病的診斷效率。

3.2 使用細粒度多標簽心電圖框架檢測異常心電圖

DU 等[31]提出了一種新型的細粒度多標簽心電圖(fine-grained multi-label ECG, FM-ECG)框架,并在此框架下首次采用細粒度分類技術,將細粒度的精細識別特征與多標簽的廣泛識別特征相結合,對心電圖圖像進行分類。 FM-ECG 主要依靠監督挖掘組件、空間注意力組件和門控循環組件開展工作:首先,使用監督挖掘組件拆分心電圖圖像,并用標簽標記細粒度部分,對異常心電圖進行學習;其次,利用空間注意力組件進行強化學習,自動提取用于判斷的標簽;最后,使用門控循環組件,對提取的多個心電圖標簽進行深度神經網絡分析。 該研究納入了中國兩家醫院的6 萬余份心電圖資料進行分析和驗證,建立的模型對竇性心律和竇速的檢測準確率分別達到97.65%和98.60%;對竇性心動過緩則高達99.02%[31]。 該研究表明,FM-ECG 是一種有效的心電圖檢測框架,細粒度方法具有極強的適用性,有助于臨床醫生從心電圖圖像中發現異常,也適用于對新冠病毒感染患者心電圖圖像的檢測與分析。

3.3 使用六軸特征映射和深度學習對新冠病毒感染患者的心電圖進行分類

OZDEMIR 等[32]提出了一種深度學習算法,即六軸特征映射,可用于自動診斷新冠病毒感染患者的心電圖。 具體來說,該方法首先利用灰度共生矩陣提取相關的心電圖特征,并產生能反映12 個導聯之間關系的六軸圖;然后,將所產生的圖像輸入定制的CNN 模型,以進行新冠病毒感染的診斷。 為了評價該模型對新冠病毒感染患者的識別能力,該研究主要采用與文獻[28]相同的數據集,對新冠病毒感染與未被識別(即顯示正常)的心電圖進行二分類試驗;最終研究結果表明,六軸特征映射算法對新冠病毒感染診斷的準確率高達96.2%,高于傳統AlexNet 網絡的準確率(93.6%)[32]。 在同一CNN網絡中,為了檢驗六軸特征映射的診斷性能,OZDEMIR等[32]將傳統心電圖圖譜用于訓練模型,其識別精度僅81.08%,比六軸特征映射要低得多,也顯著低于傳統的AlexNet 網絡,且差異有統計學意義。 這說明六軸特征映射法可以有效地減少運算開銷,提高分類性能。 綜合以上研究結果,建議將3.1 節中提及的分類機制與六軸特征映射法相結合,以達到最佳應用效果。

4 小結

近年來,隨著計算機技術的飛速發展,圖像深度學習技術在生物醫藥領域得到了越來越多的應用,人們研發出了各種模型用于輔助診斷,緩解了醫療壓力[33]。 最近還有研究提出了不同種類的深度學習模型,用于從胸部X 線圖像、CT 等醫學圖像中識別異常[34-35]。 目前,對新冠病毒感染的診斷主要依賴于肺部CT,但其圖像具有高特異性與低敏感性;加之CT 檢查在操作方法、檢查地點、價格等方面的局限性,基于心電圖的新冠病毒感染診斷的學習模型可能比基于放射圖像檢測的學習模型使用起來更為簡便、有效[36]。 目前,心電圖追蹤成像技術預測疾病、判斷預后的能力還有較大的提升空間,未來還需利用海量的心電數據進一步完善學習模型,尤其是要對潛在的心律失常提高警惕。