|
《柳葉刀》近日發(fā)表一項深度學(xué)習(xí)AI研究。研究發(fā)現(xiàn)，一個人工智能模型（AI）可利用一種快速且無創(chuàng)的10秒檢測來識別患有陣發(fā)性房顫的病人，即使在正常節(jié)律時也能識別；相比較之下，現(xiàn)有檢查手段則需數(shù)周甚至數(shù)年。雖然此項技術(shù)尚處于早期，如需應(yīng)用尚待進一步研究，但相關(guān)結(jié)果有望協(xié)助醫(yī)生探查不明原因腦卒中和心衰，以便恰當(dāng)治療。 在《柳葉刀》近日發(fā)表的一項研究中，研究者開發(fā)了一種人工智能模型（AI）可以從病人在正常節(jié)律時做的10秒心電圖中發(fā)現(xiàn)房顫跡象。該研究包含18.1萬名病人，首次運用深度學(xué)習(xí)識別潛在房顫病人，正確率高達83%。該技術(shù)可以識別人眼無法識別的心電圖信號，從而判斷是否存在房顫。美國約有270萬~610萬人患有房顫[1]，而房顫會增加腦卒中、心衰和死亡的風(fēng)險。由于單次心電圖很難捕捉時隱時現(xiàn)的異常心律，房顫經(jīng)常被漏診。美國Mayo Clinic心血管醫(yī)學(xué)主任Dr. Paul Friedman說：“將人工智能模型應(yīng)用于心電圖可以檢測出房顫，即使在記錄心電圖的時候并沒有房顫發(fā)生，AI模型也能從中識別潛在房顫。就像看著今天的大海，就可以知道昨天發(fā)生了大浪?！?sup>[2]Dr. Paul Friedman說：“目前，這種AI技術(shù)只在需要臨床檢查的人群中試驗過，不包括患有不明原因腦卒中的病人和普通大眾，所以我們還不確定AI在這些人群中的應(yīng)用效果。但是，這是一種快速、經(jīng)濟、無創(chuàng)且普遍的檢查手段，將來有一天或可協(xié)助識別未確診的房顫、指導(dǎo)重要治療、預(yù)防腦卒中和其他重大疾病?！?sup>[2]在發(fā)生不明原因的腦卒中后，準確探查房顫尤其重要，患有房顫的病人需要接受抗凝治療，減少卒中的再發(fā)風(fēng)險，而其他病人（抗凝治療可能帶來危害的病人）則不需要。目前，房顫的識別需要監(jiān)測數(shù)周甚至數(shù)年，有時候還要用到植入裝置，無法準確識別房顫或識別所需時間過長會導(dǎo)致病人反復(fù)中風(fēng)。房顫會導(dǎo)致心臟出現(xiàn)心房肥大等結(jié)構(gòu)性改變。在超聲心動等標準的影像檢查技術(shù)探測到這些改變之前，心臟可能已經(jīng)發(fā)生了房顫相關(guān)的纖維化（瘢痕）。另外，房顫還可能暫時地改變心肌電活動特性，這種影響可以持續(xù)到房顫消失后。研究者們訓(xùn)練了一個神經(jīng)網(wǎng)絡(luò)，即深度學(xué)習(xí)的AI，用于識別這些結(jié)構(gòu)性改變造成的標準心電圖中的細微變化，盡管神經(jīng)網(wǎng)絡(luò)是”黑箱子”，具體的操作路徑尚無從得知。作者使用18.1萬例病人在1993年12月至2017年7月期間做的大約65萬張心電圖[3]，按照是否患有房顫將病人數(shù)據(jù)分為兩組。心電圖數(shù)據(jù)被分成了三組：訓(xùn)練、內(nèi)部驗證和測試數(shù)據(jù)。其中，70%的數(shù)據(jù)用于AI訓(xùn)練，10%用于驗證和優(yōu)化，20%用于AI測試。（來自126,526位病人的454,789張心電圖作為訓(xùn)練數(shù)據(jù)，181,16 位病人的 64,340張心電圖作為驗證數(shù)據(jù)，36,280位病人的130,802張心電圖作為測試數(shù)據(jù)）AI顯示出了很高的房顫識別率：對每位病人的第一張心電圖進行測試時，單張心電圖的準確率達79%，而當(dāng)使用同一病人的多張心電圖進行訓(xùn)練后，準確率提高到了83%。而AI在患有不明原因腦卒中（原因不明的栓塞性卒中，ESUS）和心衰等特定人群中的應(yīng)用效果，還需進一步研究證實。作者還推測，此技術(shù)未來或可作為一種即時診斷檢查手段篩查高風(fēng)險人群。在高血壓、糖尿病和65歲以上人群中進行房顫篩查有助于避免疾病，但目前的檢查手段成本高昂且識別率很低，而且目前用于篩查的心臟監(jiān)測器體積龐大且佩戴不適，需要穿戴數(shù)天甚至數(shù)周。該研究的聯(lián)合研究者、來自美國Mayo Clinic的Dr. Xiaoxi Yao（姚曉西）說：“我們的算法或可用于低成本且廣泛應(yīng)用的技術(shù)產(chǎn)品上，比如智能手機，不過在廣泛應(yīng)用之前還需進行更進一步的研究?！?sup>[2]作者表示，該研究存在一些局限，在相關(guān)研究成果應(yīng)用于臨床之前還需進一步研究。研究人群的房顫患病率可能比普通大眾更高，導(dǎo)致AI的訓(xùn)練更多的是對有臨床心電圖檢查指征的人群進行回顧性分類，而不是對健康人或不明原因腦卒中的病人進行預(yù)測。因此，在此技術(shù)廣泛應(yīng)用于更廣泛的健康人群篩查之前，可能需要進行一定的校準。臨床上沒有確診為房顫的病人被認為是房顫陰性，但有些存在房顫的病人可能因為漏診而被錯誤標記為陰性，所以AI可能識別了這些被之前檢查所漏診的病人。另一方面，一些假陽性的病人被AI識別出了房顫史，雖然人工診斷為陰性，但可能確實存在未確診的房顫。由于AI是通過人工診斷數(shù)據(jù)而訓(xùn)練的，準確度最多與訓(xùn)練數(shù)據(jù)接近，當(dāng)應(yīng)用于其他人群時可能會有誤差，比如臨床上無心電圖檢查指征的個體。澳大利亞阿德萊德大學(xué)（University of Adelaide）和皇家阿德萊德醫(yī)院（Royal Adelaide Hospital, RAH）的Dr. Jeroen Hendriks在相關(guān)評論中說：“總之，我們要祝賀Attia和他的同事們，他們創(chuàng)新性地開發(fā)并驗證了用于解讀心電圖的AI?？紤]到最近AI算法在診斷心臟病的性能上已經(jīng)達到心臟病專家的水平， Attia及其同事們深入開發(fā)的這種將AI與心電圖相結(jié)合的算法能在竇性心律的心電圖中鑒別房顫，這是具有開拓性的?！?strong>END參考資料（上下滑動查看） This study was funded by internal Mayo Clinic resources. It was conducted by researchers from the Mayo Clinic.
The labels have been added to this press release as part of a project run by the Academy of Medical Sciences seeking to improve the communication of evidence. For more information, please see: http://www./wp-content/uploads/2018/01/AMS-press-release-labelling-system-GUIDANCE.pdf if you have any questions or feedback, please contact The Lancet press office pressoffice@lancet.com
[1] https://www./dhdsp/data_statistics/fact_sheets/fs_atrial_fibrillation.htm
[2] Quote direct from author and cannot be found in the text of the Article.
[3] The study used ECGs that were clinically indicated, but the indications were not specified and range from people having a routine annual exam to people experiencing cardiac symptoms.
|
