区域心电诊断平台智能心电诊断系统的开发和应用

李芳 罗玉寅 王萍

根据《中国心血管病报告2018》显示，我国心血管病患者达2.9亿例，死亡率居首位，占居民疾病死亡构成的40%以上。心电图检查由于无创、简便和快速，在临床上得到了广泛应用，是诊断心血管疾病的重要手段[1]。随着计算机和人工智能等技术的发展，智能心电诊断应运而生；智能诊断技术可模拟人类的逻辑思维和形象思维，实现对诊断对象状态的识别和预测[2]。智能心电诊断技术的发展，对于提高心电图诊断的准确率、实时性以及降低医务人员的劳动强度具有重要意义。智能心电诊断技术的普及，加上区域医联体建设，可以实现医疗资源内部共享，提升基层医院心电诊疗水平，提高区域医疗卫生服务同质化水平[3]。目前，区域心电图诊断平台已应用于多个医疗集团、区域医联体的业务范围[4-6]。在日常工作中，智能心电诊断功能的优劣直接影响诊断医生的工作效率。本研究基于深度机器学习开发区域心电诊断平台智能心电诊断系统，同时应用所开发的网络心电智能诊断系统对测试资料进行实时在线分析，现将结果报道如下。

1 资料和方法

1.1 临床资料选取2015年1月至2019年12月连续4年在湖州市第一人民医院及下属健康保健集团单位采集到的实时传输常规12导联心电图数据100 120份为系统训练资料，其中男60 072例，女40 048例；年龄23~96（58±14）岁；湖州市第一人民医院70 000例，吴兴区人民医院10 000例，八里店卫生院6 000例，埭溪卫生院6 000例，东林卫生院5 000例，道场卫生院1 000例，妙西卫生院1 000例，织里卫生院1 020例。选取2020年6月本院常规12导联心电图2 500份为测试资料。本研究经本院医学伦理委员会审查通过，所有研究对象签署知情同意书。

1.2 方法使用北京谷山丰心电网络工作站采集系统训练资料，利用系统训练资料构造深度机器学习的神经网络模型，通过神经网络多任务学习的方式实现常见心电图的智能诊断，并开发可供临床使用的网络心电图智能诊断系统。应用已开发的网络心电智能诊断系统对测试资料进行实时在线分析，对比纯人工诊断组和智能心电诊断系统辅助诊断组的准确率、实时性、劳动时间。除肌电干扰，基线不稳，交流电干扰，电极板脱落，肢体动作，电话铃响等造成的伪差。

1.2.1 模型整体框架设计基于深度机器学习的智能心电诊断模型整体方案，包括心电波形数据、12导联提炼特征、心电图机提炼特征等3个维度的信号输入，多标签预测结果和多分类预测结果等2个输出[7-11]。本方案将高频的50种组合设计为多分类标签，作为最终多标签输出结果的特征之一，具体见图1。

图1 智能心电诊断系统整体模型方案

1.2.2 数据预处理对采集的心电图进行数据预处理，包括小波去噪、低通滤波器、陷波器、数据标准化等工作。小波去噪工作对心电数据进行了8次小波分解，除去了最高的3层，分解后的小波系数又进行小波重构；低通滤波器对心电数据进行滤波处理，截止频率2 Hz；陷波器为50 Hz。数据处理后的波形更平滑，处理前后对比见图2。

图2 数据预处理前后波形对比

1.2.3 特征提炼使用小波变换对单导联心电图滤波后，以Ⅱ为基准，对一条记录的心率变异性特征进行提取，共提取12导联每一导联的RR间期标准差、最大RR间期、最小RR间期、平均RR间期、R波密度、pNN50、RMSSD、RR间期采样熵、最大RR间期和最小RR间期的差值共10个特征，作为模型第二个输入特征。使用心电图机本身输出的全局特征：P波间期、PR间期、QRS间期、QT间期、QT校正间期、P波心电轴、R波心电轴、T波心电轴、心房率、心室率、PP间期、RR间期共12个特征，作为模型第三个输入特征。

1.2.4 模型设计模型设计了3项数据输入和2项数据输出，其中输入1为经过滤波降噪后输入的12导联心电波形数据，输入2为波形数据提炼的12导联每一导联的RR相关特征，输入3为心电设备提供的全局特征。输出1为多标签的模型预测结果，该输出为模型最终输出的心电症状结果；而输出2为多分类的模型输出，各类症状组合1 000余种，模型只提取症状组合前50种结果直接进行数据编码，作为模型输出结果。

1.2.4.1 输入1处理心电波形数据的卷积网络由5个卷积模块并联构成，每个卷积模块由2个残差网络（resnet）模块和一个胶囊网络（capsule）模块串联构成。为实现数据标准化的效果，卷积模块前设置了批归一化（batch normalization，BN）层。每个卷积模型设置不同的卷积尺度，用于捕获各尺度下的卷积特征。这个网络结构是处理心电波形数据的核心主干结构，具体结构见图3。每个CNN模块又由2个resnet模块和1个capsule模块构成，其中resnet模块由1个卷积模块（convolutional_block）、2个恒等块（identity_block）和一个注意力模块（attention_block）构成。convolutional_block和identity_block是构成常规的resnet的基础网络结构，在常规resnet结构后增加attention_block，目的在于给不同的通道赋予不一样的权重，让模型更关注于有价值的输出部分。capsule模块由1个convolutional_block、2个identity_block和一个胶囊模块（capsule_block）构成。capsule_block可以通过提取胶囊形式的节点特征，利用路由机制在图形级别捕获重要信息，弥补普通卷积网络在池化过程中无法识别相对位置的缺陷。具体网络结构见图4。resnet模块的核心组件为convolutional_block和identity_block，其中convolutional_block模块由多个BN层、卷积层、重复载体（repeatvector）、平均池化（average pooling）层和多个激活函数构成，路径分为主路径和快捷路径。convolutional_block和identity_block最大的区别在于快捷路径，identity_block没有经过一个卷积和多项式相乘（conv1D）层进行卷积，而是采用直接透传的模式。convolutional_block和identity_block的示意图见图5。attention_block模块由多个repeatvector、average pooling层和密集的线性整流函数（dense relu）、密集函数（dense sigmoid）、匿名函数（lambda）多个激活函数构成。attention_block模块首先是压缩操作，笔者通过average pooling层进行特征压缩，将每个特征通道变成一个实数，这个实数在某种程度上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配。其次是激发操作，它是一个类似于循环神经网络中门的机制。通过参数来为每个特征通道生成权重，其中参数被学习用来显式地建模特征通道间的相关性。最后是一个调整权重的操作，激发输出的权重是经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定，网络结构见图6。

图3 深度学习的CNN

图4 convolutional_block的结构示意图

图5 convolutional_block和identity_block的结构示意图

图6 attention_block的结构示意图

1.2.4.2 输入2和输入3输入2由一个BN层、2个双向门控循环单元（bilateral gate recurrent unit，BIGRU）层、1个时间分布（time distributed）层和2个池化（pooling）层构成，用于提取12导联的RR相关特征。输入3则直接输入心电图机提取的心电特征，经过BN层后，直接和输入1和输入2的结果进行特征拼接。

2 结果

2.1 模型训练及验证结果将10万余份数据进行简单的时序分割，随机切分80%数据用于模型训练，剩余20%数据用于模型验证。最终模型通过计算所有分类的F1值，再通过简单平均，得到总的F1值为0.889，多标签平均阴性预测值为0.990，平均阳性预测值为0.620，标签阈值以最优F1值作为调整标准，整体更偏向于阴性预测值，可有效降低心电的漏诊率，见表1。

表1 模型评价结果

2.2 临床使用结果应用已开发的网络心电智能诊断系统对测试资料进行实时在线分析，结果显示心电图智能诊断系统对窦性心律、窦性心律不齐、窦性心动过速、窦性心动过缓、正常心电图、室性期前收缩、房性期前收缩、左束支传导阻滞、右束支传导阻滞、左右手反接、左心室高电压ST-T改变、室性心动过速、房性心动过速、房室传导阻滞等常见非疑难心电图的灵敏度、特异度、阴性预测值、阳性预测值均较高，对于其他少见及疑难心电图的诊断系统还需要更多的样本进行深度学习，以提升模型的识别能力，见表2。与纯人工诊断组相比，智能心电诊断系统辅助诊断组劳动时间明显缩短，实时性明显提高，准确率略有提升，见表3。

表2 智能心电诊断系统辅助诊断组和纯人工诊断组诊断效能比较

表3 智能心电诊断系统辅助诊断组与纯人工诊断组诊断准确率、实时性及劳动时间比较

3 讨论

心电图是诊断心血管疾病的重要常规方法之一，目前广泛应用于临床。心血管疾病的特点多为阵发性发作，发作时间短暂，当患者有自感症状或突然发病后至医院行心电图检查时很难做到及时记录，这为心血管疾病的早期诊断增加了难度。随着信息技术和网络技术的不断发展，网络远程心电图检测在临床上的应用不断增多。区域心电诊断平台远程网络心电图是通过现代化的计算机通信网络及多媒体通信网络等先进的信息技术，将心电图数据进行远距离的数据传输，医生通过分析网络传输的患者心电图数据对病情进行诊断，这实现了患者与医生之间的实时信息交流，减少患者往返医院、排队等候检查等造成心电图检查不及时的弊端。

AI心电智能诊断算法的发展经过了几个阶段[12]。2000年以前主要依靠波形特征进行检测，如峰值高度、波峰间期等；在随后的阶段，研究者依靠波形特征检测的基础上加入了时频、小波、高阶统计量等因子。2006年以后，随着神经网络、机器学习和深度学习的发展，心电分析算法再次进入大众视野。人工神经网络技术在实际应用中发挥了巨大作用。CNN是一种常见的深度学习网络结构，在计算机视觉方面取得了良好的效果[13]。基于深度机器学习的神经网络智能心电诊断模型通过抽取心电图特征、对照人工判读等进行神经网络训练，随着训练样本数量的不断增加，模型能获得更高的分辨能力，而特征抽取的前提是对心电数据的去噪处理[14]。本研究所开发的智能心电诊断系统，采用心电设备本身输出的全局参数与模型提炼的特征进行拼接，获得了更丰富的心电特征，从而获得更好的分类效果[15-16]。深度学习在心电图领域的应用往往表现为辅助诊断，大部分由医生来进行判定。可是，人类对于图像的解释往往具有主观性，由于观察角度不同可能造成不同解读者对图像的解释具有一定的片面性，同时大量的影像数据和枯燥的工作流程容易使医生产生疲劳，所以对于医学图像的识别需要耗费大量的人力、物力、财力[17]。再加上医联体区域平台的不断建设，每天有大量的心电图数据上传，需要医生以极快的速度给出准确的报告。而目前深度学习在医学图像方面的应用，对于诊断识别的改善起到了关键作用。

综上所述，本研究基于深度机器学习开发并应用了智能心电诊断系统，结果发现该系统对窦性心律、窦性心律不齐、窦性心动过速、窦性心动过缓、正常心电图、室性期前收缩、房性期前收缩、左束支传导阻滞、右束支传导阻滞、左右手反接、左心室高电压ST-T改变、室性心动过速、房性心动过速、房室传导阻滞等常见非疑难心电图的灵敏度、特异度、阴性预测值、阳性预测值等均较高；而对于其他少见及疑难心电图的诊断，系统还需要更多病例样本进行深度学习。比较纯人工诊断组与智能心电诊断系统辅助诊断组诊断效能，发现智能心电诊断系统辅助诊断组劳动时间明显缩短，实时性明显提高，准确率略有提升。可见，基于深度机器学习的智能心电诊断系统具有重要的临床应用价值，将成为医生诊断的重要辅助工具[18]。