基于人工智能的心電輔助診斷系統設計與應用

摘要：心電圖用于分析各種心臟相關疾病，在心血管疾病診斷方面非常重要，而心電圖檢查數據量大且報告醫生水平參差不齊，容易有漏診或誤診。人工智能的應用使得大規模心電數據的自動診斷得以實現，多種深度學習算法的組合應用使心電特征波的識別效率得到明顯提升。文章提出了一種結合傳統推理和新興深度學習算法的心電AI診斷模型，其中QRS波群識別采用自注意力機制的語義分割網絡，P波識別采用基于生成對抗網絡的半監督學習。該模型在MIT-BIH心律失常數據庫上驗證，敏感度達到99%。將模型結合心電診斷系統，文章設計了一套基于AI的心電輔助診斷系統并應用于臨床業務，可在心電AI的輔助下，減輕醫生工作負擔，提高醫生的工作效率及報告準確率。

關鍵詞：心電圖；人工智能；輔助診斷；系統設計

中圖分類號：TP391

文獻標志碼：A

0 引言

當前，我國心血管疾病患者人數約為3.3億^［1］，患病率及死亡率處于上升階段，其死亡率高居所有疾病的首位，嚴重威脅國民健康。心血管疾病具有防控投入大、管理難、救治不及時等特征。心電圖是反映心臟興奮的電活動過程，可以用于鑒別與分析各種心律失常、心肌受損的程度以及心房心室的功能結構等，在心血管疾病的診斷方面有重大作用。我國心電圖檢查數量非常大，靜息心電圖檢查大概2.5億人次/年，動態心電圖檢查約為3500萬人次/年，然而高水平的心電圖報告醫生尤其是可以出具動態心電圖報告的醫生數量缺口非常大，迫切須要采用智能輔助診斷技術來協助提高醫生的工作效率，同時降低漏診率及誤診率。

隨著醫院信息化的建設，心電圖的數字化存儲和信息化共享使得各家醫院心電大數據平臺日益完善。同時，全國各地都在推進區域心電診斷平臺和心電一張網的建設，為采用人工智能（Artificial Intelligence，AI）技術分析心電數據提供了訓練及驗證的數據基礎。心電AI分類算法自從20世紀70年代以來經過半個多世紀的發展，已經日趨成熟，雖然還不能完全替代人工診斷，但隨著算法準確性的逐步提高，已經可以在靜息心電和動態心電業務中實現快速和精確診斷，提高了臨床工作效率；同時，通過實時監測和自動預警，危急患者可以被早篩查、早發現、早治療。AI的輔助可以將醫務人員從煩瑣的圖形識別中解脫出來，減輕醫師負擔，緩解醫療資源緊張，造福廣大患者。本文通過設計基于AI的心電輔助診斷系統，探討其在臨床心電輔助診斷業務的應用，為提高AI輔助診療的準確性和可靠性提供支撐。

1 系統架構

基于AI的心電輔助診斷系統架構如圖1所示，按照前端、業務服務、數據庫、接口服務、硬件等功能分區，將各模塊分為5個層級，分別為展現層、核心功能層、數據庫層、接口服務層、硬件支撐層。各層的詳細功能解析如下。

1.1 展現層

供臨床醫生使用的客戶端，包括靜息心電檢查、靜息心電診斷、動態心電分析、實時動態心電預警4大功能模塊。

1.2 核心功能層

由心電圖機采集的心電圖數據提交至服務器后，由AI心電輔助診斷模型進行AI自動分析，分析完成后，提交至前臺客戶端供醫生在進行靜息心電診斷、動態心電分析時引用，最終由人工審核確認后提交報告。

1.3 數據庫層

整個系統所涉及的數據存儲通過客戶端本地緩存數據庫及服務器端持久數據庫進行存儲；涉及客戶端的自定義配置通過客戶端的本地配置文件進行配置。

1.4 服務層

客戶端與服務端的通信通過客戶端與服務端的接口來實現，包括業務接口、數據傳輸接口、數據訪問接口、AI自動分析相關結果獲取接口等。

1.5 硬件支撐層

硬件支撐層包括用于部署服務器端的服務器硬件、安裝客戶端所需的電腦、靜息心電圖機、動態心電圖監測儀等。

1.6 局域網

整個系統的服務部署在醫院內網服務器端，所有客戶端通過內部局域網與服務器端的接口進行通信、交互數據，與互聯網實現物理隔離，保障了數據安全。

2 AI心電輔助診斷模型

為了保證所建立的AI診斷模型的準確性，本文選用了MIT-BIH心電數據庫作為研究數據集。MIT-BIH心電數據庫是目前國際上應用最多的數據庫，由很多子數據庫組成。每個子數據庫包含某類特定類型的心電記錄，其中應用最多的是MIT-BIH心律失常數據庫和MIT-BIH QT數據庫。國內外許多心電方面的研究都使用該數據庫作為實驗數據的來源和各類識別算法的檢測標準。本文使用了MIT-BIH心律失常數據庫。此庫有48條記錄，每條記錄長度是30 min，心電信號的采樣率為360 Hz，每條記錄都包含權威專家的注釋^［2］。

心電圖醫生常規讀圖的基本流程是：識別P-QRS-T復合波群→測量特征參數→根據心電圖知識推理得到診斷結論。本文遵循這個流程，按照數據預處理、心電數據特征提取、自動分類的流程開展研究。

2.1 對數據集進行預處理

首先對數據集進行預處理，包括去噪處理、數據切分、信號標準化。心電信號微弱且不平穩，在采集過程中容易受到儀器、人體和周邊環境的干擾產生噪聲，主要包括：基線漂移、肌電干擾、工頻噪聲等。本文選取了小波變換濾波去除基線漂移；選用了IIR50 Hz陷波濾波器去除工頻干擾。由于心電記錄數據比較長，須要對心電信號進行切割。本文采用常規的心拍切分方法，先確定R波位置，再向前截取100個采樣點，向后截取150個采樣點，形成一個包含主要特征波形的心拍^［2］。為了便于提取特征點，本文采用Z-score標準化方法對心電信號進行標準化，將信號幅值限定在0到1之間^［3］。

2.2 心電特征點的提取

數據預處理完成后進行心電特征點的提取。醫生可以根據多年的心電圖診斷經驗直接通過肉眼判斷，但是機器難以用規則對心電特征波模式進行枚舉。為了提高AI決策過程的可解釋性和準確性，本文分階段應用深度學習算法^［4］，充分結合醫生的認知習慣，以盡可能減小黑箱效應。根據獲取標注數據的難易程度，本文采用不同的深度學習算法組合來提取特征波。QRS是相對較容易獲得數據標注的，采用基于語義分割的全卷積監督模型進行狀態分割^［5］；P波的標注獲取難度較大，但包含或者缺少P波的心電數據很多，采取基于生成對抗網絡的半監督模型進行學習^［6］；對于難度介于兩者之間的T波，采取主動學習的方式進行模型迭代和訓練集的擴充。

識別出特征波形后，可計算得到心電圖相關測值如P-R間期、QRS寬度、ST段偏移等。本文心電圖測值的依據是中華人民共和國醫藥行業標準 《記錄和分析型單道和多道心電圖機安全和基本性能專用要求》（YY_0782-2010）。本文采用了該標準規定的整體間期法，該測值方法符合國際自動化心電圖協會（International Society for Computerized Electrocardiology，ISCE）認可的《心電圖標準化與解析建議》。該標準的50.101.3.2章節規定了實際人體心電圖時限測量的要求，即把100個實際人體的心電圖數據，輸入心電圖機（數字信號或者是數模轉換后的信號）進行測試分析。測試結果將通過如下規則進行分析：首先如果測試數據有明顯的基準點（P、QRS起點/QRS終點和T終點）定位錯誤，那么可以排除該數據的測量誤差結果，由不超過4個基準點錯誤所導致的誤差是應該允許被排除的。其次，從剩余的測量結果中，除去偏離平均值最大的4個值。最后，計算剩余測量結果的平均誤差和標準偏差。

首先，將上述測值結合心電圖的領域常識進行判定得到初步的心電分類；其次，進一步將提取出的心搏特征點序列進行嵌入得到心電潛空間特征向量序列；最后，基于Transformer進行序列到序列的學習，從而建立全面可解釋的心電AI輔助診斷模型。

經驗證，模型的敏感度可達99%，陽性預測值準確度可達98 %。

3 臨床應用效果

3.1 AI輔助診斷提高心電報告效率

心電圖千變萬化，須要臨床醫生尤其是心內科醫生看得準而快，做到不誤判、不漏判。AI應用在心電診斷平臺系統中可以讓報告醫生直接引用AI分析的結果，減少手工編輯報告的過程，提升了診斷效率。人工與心電AI的配合降低了判讀的人為誤差。

在動態長程心電圖診斷時，利用人機結合的方式可以快速定位陣發性房顫，AI輔助醫生初步篩選出疑似房顫區并進一步對房顫區的確定進行自動判定，大幅度提高了房顫判定效率以及準確性。

3.2 AI自動預警助力心電實時監測

心電實時監測是早期心腦血管疾病檢測的有效手段。通過對心腦血管病患者、亞健康乃至健康人群實施大規模的長程動態心電監測，及時把異常狀況反饋給醫生并對可能導致嚴重后果的病因進行早期干預，顯著地降低了心腦血管病的病死/病殘率，極大地降低社會經濟損失。

基于低功耗、低負荷設計的24小時動態心電監測儀，可實現長程、連續監測，是新的醫療監測模式下最有效的監測手段。長程實時心電監護系統由心電云平臺、動態心電監測儀、實時心電監測系統組成。動態心電監測儀可以通過移動網絡把采集到的心電數據實時傳輸至監測平臺，部署在平臺上的AI自動分析模型，可以實現24小時在線的心電監測、異常心電實時預警、長程數據分析等專業服務，將臨床醫師從電腦屏幕前解放出來。佩戴了動態心電監測儀的心血管病患者和高危人群若發生異常心電情況，AI會自動報警，通過蜂鳴器、語音播報等提醒患者及家屬，同時通過屏閃、短信、電話等方式通知負責醫生，方便及時發現搶救高危的心臟病患者、及時預警惡性心臟事件的發生，此外也可以用于接受過心臟手術的患者術后長期隨訪。

3.3 AI質控促進診斷標準統一化

心電圖醫生診斷水平參差不齊，但人力有限，專家無法對全部報告進行質控。將AI引入心電報告質控分析流程，通過比對AI分析結果和醫生診斷結論，篩選出差異數據，專家進行特別關注和審核，再由專家進行最后的判定分析，極大地提高了質控的效率，使質控工作更有的放矢。同時，專家的再次審核確認結果，可以反過來不斷地訓練提升心電AI輔助診斷模型的準確性。質控分析結果極大地方便了醫院評估診斷醫生和診斷組的診斷質量，明確后續的培訓方向，增強培訓效果。通過對報告調度狀態實時監控、診斷中心業務多維度分析，結合心電AI對心電檢查流程分析和心電診斷質量評估，實現了心電檢查流程規范化、診斷標準統一化，保證心電檢查診斷業務高質量高效率運行。

4 結語

本文結合心電圖自身的特點和心電專家判讀心電圖的過程，綜合傳統的推理和新興的深度學習方法，提出了心電AI輔助診斷模型，在MIT-BIH心律失常數據庫上實現了99%的敏感度和98%的陽性預測準確度。將高效可靠的心電AI模型與傳統的心電診斷平臺融合，提出了基于AI的心電輔助診斷系統，該系統應用在靜息心電圖診斷、動態心電分析、24小時動態心電監測預警、報告質控等廣泛的業務場景中，在臨床工作中發揮了重要作用。醫生可以聯合心電AI進行報告判讀，對診斷正確的結論直接引用，減少了手工編輯報告的過程，提升了診斷效率。當出現疑似危急心電圖時，AI會提醒醫生優先診斷，及時救治危急患者。通過AI輔助診斷技術與心電診斷的深度融合，可優化心電檢查流程、提升心電診斷效率、提升服務質量和管理水平，從而不斷提升心電AI在臨床應用、業務管理和科學研究方面的價值。

參考文獻

［1］國家心血管病中心.中國心血管健康與疾病報告2022［M］.北京：中國協和醫科大學出版社，2023.

［2］王建榮，鄧黎明，程偉，等.基于CNN-LSTM-SE的心電圖分類算法研究［J］.測試技術學報，2024（3）：264-273.

［3］趙宇光.基于心電信號的身份識別算法研究［D］.南京：東南大學，2022.

［4］王淑紅.基于深度神經網絡的多導聯多標簽心電圖分類研究［D］.鄭州：鄭州大學，2021.

［5］劉波.心電信號自動識別算法與心電監測系統的設計與研究［D］.西安：西安建筑科技大學，2020.

［6］朱鋒，劉其朋.基于生成對抗網絡的半監督圖像語義分割［J］.復雜系統與復雜性科學，2021（1）：23-29.

（編輯 王雪芬）

Design and application of ECG assisted diagnosis system based on AI

CAO Kaidi^{1， 2}， GUO Jianjun¹， GAO Wen¹， WANG Zhongmin³

（1.Information Office， Jiangsu Province Hospital， Nanjing 210029， China;

2.School of Biological Science amp; Medical Engineering， Southeast University， Nanjing 210096， China;

3.Medical Detection Departments Party Branch， Jiangsu Province Hospital， Nanjing 210029， China）

Abstract：Electrocardiogram （ECG） is used to analyze various heart-related diseases， which is very important in the diagnosis of cardiovascular diseases. However， due to the large amount of ECG data and the uneven level of reporting doctors， it is easy to be missed or misdiagnosed. The application of artificial intelligence enables automatic diagnosis of large-scale ECG data， and the combination of a variety of deep learning algorithms has significantly improved the recognition efficiency of ECG feature waves. In this paper， the authors proposed an ECG AI diagnosis model combining traditional reasoning and emerging deep learning algorithms. The QRS complex recognition adopts semantic segmentation network with self-attention mechanism， and the P wave recognition adopts semi-supervised learning based on generative adversarial network. The proposed model was validated on MIT-BIH arrhythmia database with a sensitivity of 99%. The model was combined with the ECG diagnosis system， and an AI-based ECG auxiliary diagnosis system was designed and applied in clinical practice. With the assistance of ECG AI， the workload of doctors is reduced， and the work efficiency and reporting accuracy of doctors are improved.

Key words：electrocardiogram; artificial intelligence; assisted diagnosis; system design