马克“心”文献 | AI心电图筛查新突破：Nature发布可检测十多种心脏结构异常的深度学习模型

导语         

心脏超声检查成本高难普及？结构性心脏病诊断率不足？《Nature》最新研究给出革命性答案！国际团队开发的EchoNext深度学习模型，仅凭常规心电图就能准确检测十多种心脏结构异常，准确率超越专业心脏病学家，为心脏疾病大规模筛查带来全新解决方案。   

        心脏结构病变：隐匿的健康杀手术   Part.1               结构性心脏病是影响心脏瓣膜、室壁或腔室的病变，包括瓣膜性心脏病、心力衰竭、肺动脉高压和左心室肥厚等。据统计，仅在美国每年就造成超过1000亿美元的直接和间接成本，而全球约有6400万心力衰竭患者和7500万瓣膜性心脏病患者。 更为严峻的是，心脏结构病变往往诊断不足。一项针对2500名65岁以上人群的研究发现，除了已确诊的4.9%患者外，另有6.4%存在未被诊断的显著瓣膜性心脏病。早期发现可降低死亡率、减少医疗开支并提高生活质量，但确诊依赖超声心动图，其成本和技术要求限制了广泛应用。

        EchoNext模型：技术突破与性能表现   Part.1               研究团队收集了2008年至2022年间NYP医院系统八个院区的超过120万份心电图-超声心动图配对数据，涵盖23万多名患者，训练出EchoNext深度学习模型。

    图 1 | 模型开发： NYP多中心队列构建

  该模型检测的结构性心脏病包括：左心室射血分数≤45%、左心室壁厚度≥1.3cm、中重度右心室功能障碍、肺动脉高压、中重度瓣膜病变以及中大量心包积液等。 在内部验证中，EchoNext表现出色，受试者工作特征曲线下面积达到85.2%，准确识别了36%的测试集患者。模型在不同医院、临床环境以及种族/族裔群体中均表现一致，显示出良好的泛化能力。

    图 2 | EchoNext 模型的多中心性能表现

        超越人类专家：AI与心脏病学家   Part.1               研究还设计了专门的调查，比较EchoNext与心脏病学家在心电图判读方面的能力。13名心脏病学家共完成了3200次心电图评估。 结果令人惊讶：EchoNext模型的准确率达到77.3%，而心脏病学家组的平均准确率为64.0%。即使为心脏病学家提供AI预测结果作为参考，其准确率也只能提升至69.2%，仍低于AI单独表现。 这一发现表明，AI在心电图分析方面具有超越人类专家的潜力，特别是在识别与结构性心脏病相关的细微模式方面。

    图 3 | EchoNext 模型在回顾性验证、与心脏科医生对比、静默部署及临床试验中的性能特征

        前瞻性临床试验验证实用性   Part.1               为了验证模型在真实世界的应用价值，研究团队进行了DISCOVERY临床试验。该试验招募了100名既往无心脏超声检查的患者，按AI风险评分分层后进行超声检查。结果显示，高风险组中73%的患者被确诊患有结构性心脏病，而低风险组仅有6%患病，表明AI心电图分析能有效识别需要进一步检查的患者。