心电图跟踪图像技术应用于新型冠状病毒感染辅助诊断的新进展

秦欢 刘璐 查竣仁 陈荔红 秦静 张树龙

2019 年,新型冠状病毒(简称新冠病毒)在世界范围内快速传播,造成了全球范围内的传染病疫情暴发。 截至2022 年4 月,世界卫生组织公布的数据显示,全球新冠病毒感染确诊病例已超过5 亿,而相关死亡人数达到620 万[1]。 临床上新冠病毒感染患者除有呼吸系统受损表现外,心肌损伤也较为常见,严重者甚至发生急性心肌炎。 即便是心脏检查结果为阴性的新冠病毒感染患者,也可能发生亚临床或隐性心肌损害。 心电图表现出的电-机械耦联改变能够反映心功能状况,但由于受到心电图图像处理技术的限制,临床上识别心电图波形的敏感性仍然较低[2]。

目前,深度学习和人工智能技术已被运用于生物医学领域,该技术不仅可辅助医生精确诊断、降低病死率,而且还能进行预后判断[3]。 心电图跟踪图像技术是人工智能与心电学的结合,它以卷积神经网络(convolutional neural networks, CNN)等算法为基础,提供先验知识,产生相应模型,可辅助临床根据心电图对新冠病毒感染患者进行快速、无创和有效的诊断。 本文将主要综述新冠病毒感染后的心电图变化,以及心电图追踪图像技术在新冠病毒感染辅助诊断中的应用进展,为临床医护工作者提供参考。

1 新冠病毒感染与心肌损害

ZHOU 等[4]在新冠病毒感染疫情暴发初期,从5 例患者的基因组中得到了一个完整的基因序列,确认了新冠病毒和严重急性呼吸综合征冠状病毒( severe acute respiratory syndrome coronavirus,SARS-CoV)能在同一细胞内形成血管紧张素转换酶Ⅱ(ACE2)。 新冠病毒属于RNA 病毒,在ACE2 受体的内吞作用下,其与SARS-CoV-1 配体结合得更加紧密。 虽然新冠病毒主要通过呼吸系统上皮细胞入侵人体,但大多数心血管细胞也表达ACE2,所以该病毒可能会通过ACE2 途径入侵心肌细胞,从而加重心肌损害和心脏功能障碍[5]。

GUO 等[6]报道,新冠病毒感染患者出现急性心肌损害的比例高达27.8%,而美国的一项横断面研究显示,在确诊流感住院的成年人中,5.7%的患者发生急性心肌损害,仅为新冠病毒感染患者的1/5[7]。 新冠病毒感染会导致血管炎症、斑块不稳定、高凝状态以及心肌损伤[8-9]。 病理资料显示,新冠病毒感染患者的心肌间质有炎性渗出及坏死,而冠状动脉(简称冠脉)会出现微小的血栓及炎症。新冠病毒感染还会引起细胞因子风暴、败血症、弥散性血管内凝血,最终引发多个器官衰竭,甚至死亡。 新冠病毒感染所引发的心脏异常与冠脉痉挛、缺氧损伤、斑块破裂、电解质异常、微凝块、心肌损伤、细胞因子风暴、血管内皮损伤等因素紧密相关。

新冠病毒感染有多种不同的心电图异常表现,如心律不齐等。 部分患者在发病早期会感到明显的心悸[10];而在重症患者中,心电图异常更是频繁发生(发生率高达33% ～93%),这与院内死亡率上升以及使用呼吸机呈正相关[11]。 BERTINI 等[12]对431 例新冠病毒感染的重症患者进行了回顾性、横断面、多中心研究,所有入院患者均接受了常规心电图检查,发现有93%的患者出现心电图异常,其中有22%表现为心房颤动或心房扑动、30%存在明显的右心室压力负荷过重。 在右心室压力负荷过重的患者中,SⅠQⅢTⅢ心电图变化占10%,不完全性右束支阻滞(right bundle branch block, RBBB)占9%,完全性RBBB 占11%。 ELIAS 等[13]研究表明,在108 例心电图无异常且生命体征平稳的新冠病毒感染患者中,仅有5 例(4.6%)在住院后48 h 内死亡或须行机械通气;而在216 例心电图和呼吸体征异常的患者中,68 例(31.5%)死亡;在65 例心电图异常而呼吸正常的患者中, 8 例(12.3%) 死亡。MCCULLOUGH等[14]对756 例新冠病毒感染患者首次入院心电图进行分析,发现室性心动过速(简称室速)、房室阻滞、复极异常和RBBB 患者的死亡率更高,提示大部分新冠病毒感染患者有异常的心电图表现,心肌损伤的出现往往提示疾病加重以及有发生严重意外的可能。 同时,心电图所反映的心脏功能障碍也会直接影响预后,首次就诊时,可根据患者的生命体征和心电图的变化来判断其预后。

2 新冠病毒感染后心电图的变化

2.1 恶性室性心律失常

恶性室性心律失常一般是指短时间内会引起血流动力学障碍,甚至晕厥和猝死的心律失常,包括室速和心室颤动。 在新冠病毒感染患者中也可以观察到恶性室性心律失常,发病的主要原因是药物所致QT 间期延长、代谢异常、心肌炎[15]。 新冠病毒感染患者的肌钙蛋白水平增高,室速或心室颤动的发生率显著高于肌钙蛋白正常组[6]。 室速可分为单形性或多形性。 单形性室速常见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。 多形性室速可由药物所致QT 间期延长等原因引起,但在新冠病毒感染患者中不多见。 恶性室性心律失常的心电图表现往往提示新冠病毒感染患者病情危重、生存率降低。

2.2 心动过缓或房室阻滞

据GUO 等[6]、HE 等[16]研究报道,大部分新冠病毒感染患者是有各种基础心脏病的老年患者,随着肺部病变的加重,可能会发展成二度、三度房室阻滞或室性心律失常,并很快发生心搏骤停。 相比于其他节律异常,心动过缓和房室阻滞在新冠病毒感染患者中并不多见。 AMARATUNGA 等[17]研究指出,新冠病毒感染患者早期出现明显的心动过缓,可能与缺氧、药物、炎症因子等有关,但缺乏明确的相关性证据。

2.3 QT 间期和电轴异常

CHORIN 等[18]研究发现,超过24%的新冠病毒感染患者QT 间期出现延长,可能与羟氯喹、阿奇霉素以及氯喹等抗新冠病毒药物的使用有关。 QT 间期延长可能会引发尖端扭转型室速等不良临床事件[19],而这些患者一般有急性呼吸衰竭、重症肺炎和(或)大面积肺栓塞,且心电图表现为右心室负荷过重,V1导联R/S≥1,呈R 或Rs 型,QRS 波电轴右偏,Ⅱ、Ⅲ、aVF 和V1—V4导联发生ST 段下降或T 波倒置[20]。

2.4 ST 段、T 波和QRS 波群异常

新冠病毒感染相关的心肌损害在心电图上可表现为ST 段抬高或降低、T 波倒置及病理性Q波[21]。 LI 等[22]调查显示,新冠病毒感染患者中,ST段和T 波改变是最常见的心电图异常,占40%。 对于ST 段抬高患者,很难通过心电图来鉴别心肌梗死、心肌损伤或心肌炎。 SARIRIAN 等[23]的研究纳入了18 例心电图表现为ST 段抬高的新冠病毒感染患者,因疑似AMI 而行冠脉造影检查,结果8 例被确诊为AMI,10 例为非缺血性心肌损害。 对于出现胸痛的新冠病毒感染患者,急诊医师应当进一步考虑是否存在ST 段抬高的心肌炎、心肌损伤以及AMI。 新冠病毒感染合并心包炎的心电图表现与AMI 相似,如果多个导联同时出现ST 段抬高,则有可能发生了冠脉阻塞;而心肌损害以弥漫性或广泛性ST 段抬高为主。 临床表现对ST 段抬高型AMI和心肌炎的鉴别诊断具有一定的参考价值。

2.5 新冠病毒感染相关肺栓塞的心电图表现

新冠病毒感染会导致凝血功能异常,往往合并肺栓塞,特别是在危重患者中。 这与新冠病毒感染引起静脉血栓栓塞的发病机制有关:病毒能促进凝血系统强化、血小板凝集功能增强、血管紧张素Ⅱ激活,由细胞因子介导的凝血酶原活化及病毒感染可能会导致局部发炎,并形成局灶性血栓[24]。 发生大面积肺栓塞时,心电图通常以窦性心动过速(简称窦速)和(或)心房颤动为主,并伴有快速性室性心律失常[25]。 MIDDELDORP 等[26]对198 例新冠病毒感染住院患者开展了回顾性研究,其中39 例(20%)确诊为下肢静脉血栓,其心电图主要表现为窦速、ST 段或T 波的微小变化;仅1/3 的患者显示出较明确的右心室压力负荷过重;只有不到10%的患者有典型的SⅠQⅢTⅢ心电图表现。 肺动脉栓塞心电图主要表现为胸前导联T 波倒置和RBBB,因此,心电图对于新冠病毒感染合并肺栓塞的诊断具有参考意义。 尽管心电图可以提示肺栓塞,但是它不能用于确诊或排除肺栓塞,往往需要借助其他影像学手段并结合临床综合判断。

3 心电图追踪图像技术在新冠病毒感染中的应用

3.1 心电图追踪图像技术与CNN

CNN 是近年来深度学习领域的研究热点之一,可用于提取医学图像中的高维信息,提高诊断准确率[27]。 RAHMAN 等[28]首次探讨了利用CNN 模型从心电图跟踪图像中筛选新冠病毒感染患者。 该研究将新冠病毒感染患者和心血管疾病患者的心电图分别输入CNN 模型,将6 种典型的CNN 模型运用于3 个不同的分类系统:①二分类(正常、新冠病毒感染);②三分类(正常、新冠病毒感染、其他心血管事件);③五分类(正常、新冠病毒感染、AMI、心律失常,以及陈旧性心肌梗死);结果显示,该模型二分类的准确率高达99.1%。 ATTALLAH[29]同样用二分类方法训练模型,使其对正常人和新冠病毒感染患者的心电图进行学习,发现其识别后者的准确率高达98.2%。 NGUYEN 等[30]根据CNN 模型提取的心电图信号,能准确地识别新冠病毒感染,准确率高达98.5%。 该研究成果还可应用于便携式穿戴设备中,与常规心电图机相比,该设备更易获取心电数据,能显著提升新冠病毒感染或心血管疾病的诊断效率。

3.2 使用细粒度多标签心电图框架检测异常心电图

DU 等[31]提出了一种新型的细粒度多标签心电图(fine-grained multi-label ECG, FM-ECG)框架,并在此框架下首次采用细粒度分类技术,将细粒度的精细识别特征与多标签的广泛识别特征相结合,对心电图图像进行分类。 FM-ECG 主要依靠监督挖掘组件、空间注意力组件和门控循环组件开展工作:首先,使用监督挖掘组件拆分心电图图像,并用标签标记细粒度部分,对异常心电图进行学习;其次,利用空间注意力组件进行强化学习,自动提取用于判断的标签;最后,使用门控循环组件,对提取的多个心电图标签进行深度神经网络分析。 该研究纳入了中国两家医院的6 万余份心电图资料进行分析和验证,建立的模型对窦性心律和窦速的检测准确率分别达到97.65%和98.60%;对窦性心动过缓则高达99.02%[31]。 该研究表明,FM-ECG 是一种有效的心电图检测框架,细粒度方法具有极强的适用性,有助于临床医生从心电图图像中发现异常,也适用于对新冠病毒感染患者心电图图像的检测与分析。

3.3 使用六轴特征映射和深度学习对新冠病毒感染患者的心电图进行分类

OZDEMIR 等[32]提出了一种深度学习算法,即六轴特征映射,可用于自动诊断新冠病毒感染患者的心电图。 具体来说,该方法首先利用灰度共生矩阵提取相关的心电图特征,并产生能反映12 个导联之间关系的六轴图;然后,将所产生的图像输入定制的CNN 模型,以进行新冠病毒感染的诊断。 为了评价该模型对新冠病毒感染患者的识别能力,该研究主要采用与文献[28]相同的数据集,对新冠病毒感染与未被识别(即显示正常)的心电图进行二分类试验;最终研究结果表明,六轴特征映射算法对新冠病毒感染诊断的准确率高达96.2%,高于传统AlexNet 网络的准确率(93.6%)[32]。 在同一CNN网络中,为了检验六轴特征映射的诊断性能,OZDEMIR等[32]将传统心电图图谱用于训练模型,其识别精度仅81.08%,比六轴特征映射要低得多,也显著低于传统的AlexNet 网络,且差异有统计学意义。 这说明六轴特征映射法可以有效地减少运算开销,提高分类性能。 综合以上研究结果,建议将3.1 节中提及的分类机制与六轴特征映射法相结合,以达到最佳应用效果。

4 小结

近年来,随着计算机技术的飞速发展,图像深度学习技术在生物医药领域得到了越来越多的应用,人们研发出了各种模型用于辅助诊断,缓解了医疗压力[33]。 最近还有研究提出了不同种类的深度学习模型,用于从胸部X 线图像、CT 等医学图像中识别异常[34-35]。 目前,对新冠病毒感染的诊断主要依赖于肺部CT,但其图像具有高特异性与低敏感性;加之CT 检查在操作方法、检查地点、价格等方面的局限性,基于心电图的新冠病毒感染诊断的学习模型可能比基于放射图像检测的学习模型使用起来更为简便、有效[36]。 目前,心电图追踪成像技术预测疾病、判断预后的能力还有较大的提升空间,未来还需利用海量的心电数据进一步完善学习模型,尤其是要对潜在的心律失常提高警惕。