编辑推荐：
心脏壁运动异常（WMA）是死亡率的重要预测指标，但当前基于心电图（ECG）Q 波的筛查方法准确率有限且存在种族差异。研究人员开发了深度学习模型 ECG-WMA-Net，其在检测 WMA 上优于传统方法，有望改善筛查效果，减少医疗差距。
在心血管疾病的研究领域，心脏壁运动异常（Wall Motion Abnormalities，WMA）一直是备受关注的重要指标。它如同隐藏在心脏健康背后的 “定时炸弹”，极大地增加了患者猝死和全因死亡的风险，无论是患有缺血性或非缺血性心脏病的患者，甚至是那些表面上没有明显心脏病史的人，都可能受到 WMA 的威胁。
目前，用于检测 WMA 的常规方法主要依赖于心电图（Electrocardiogram，ECG）来评估 Q 波、T 波、ST 段改变或相关指数，然而这些方法的敏感性和特异性较低。想象一下，在医疗资源有限的基层医疗设施或偏远地区，患者若怀疑存在 WMA，却因缺乏先进的检查设备而无法及时确诊，不仅延误了病情，还可能导致严重后果。正是在这样的背景下，为了突破现有检测方法的局限，来自美国斯坦福大学（Stanford University）等机构的研究人员开展了一项极具意义的研究。
研究人员利用深度学习技术，开发了一种名为 ECG-WMA-Net 的深度神经网络模型。该研究通过收集 35210 名来自加利福尼亚州患者的心电图和超声心动图数据，并借助自然语言处理（Natural Language Processing，NLP）技术从超声心动图报告中提取 WMA 标签。最终研究发现，ECG-WMA-Net 在检测 WMA 方面表现出色，其受试者工作特征曲线下面积（AUROC）达到 0.781，显著优于专家的心电图解读和传统的 Q 波指数。并且，该模型在佐治亚州的外部验证队列中也展现出了良好的性能，AUC 为 0.723。这一研究成果发表在《npj Digital Medicine》上，为心脏壁运动异常的检测带来了新的希望，有望改善不同人群的心脏疾病筛查现状，减少医疗资源分配不均的问题。
研究人员开展此项研究时，运用了多个关键技术方法。在数据处理方面，通过自然语言处理技术对电子健康记录中的超声心动图报告进行分析，获取 WMA 标签；在模型构建上，使用 TensorFlow 2.0 机器学习库和 Keras API 开发了 ECG-WMA-Net 模型，并通过 keras-tuner 进行参数优化。此外，研究还使用了两个不同地区的患者队列，分别来自斯坦福大学和埃默里大学（Emory University），用于模型的训练和验证。
研究结果
- 数据标注与模型训练：研究人员从电子健康记录中获取心电图和超声心动图报告的非结构化文本数据，利用定制的 Python 正则表达式脚本进行自然语言处理，准确提取 WMA 标签。在此基础上，训练了 ECG-WMA-Net 模型，输入为 8 导联、5 秒、500Hz 的心电图波形数据。
- 模型性能评估：将 ECG-WMA-Net 模型与传统的心电图分析方法进行对比，结果显示 ECG-WMA-Net 的 AUROC 为 0.781，而传统定性和定量心电图分析的 AUROC 分别为 0.571 和 0.681，均显著低于该模型。同时，ECG-WMA-Net 在敏感性、特异性等指标上也表现更优。
- 外部验证与泛化能力：在佐治亚州的外部验证队列中，ECG-WMA-Net 的 AUC 为 0.723，在不同种族（白人和非白人）以及不同合并症负担（低合并症和高合并症）的患者中，模型的性能差异不显著，表明该模型具有良好的泛化能力。
- ECG 区域分析：通过 SHapley Additive exPlanations（SHAP）值和数据消融实验，研究发现 ECG-WMA-Net 识别 WMA 时，QRS 和 T 波区域有重要贡献，且 80 - 200ms 的窗口表现最佳。
研究结论与讨论
这项研究表明，ECG-WMA-Net 模型在检测心脏壁运动异常方面具有较高的准确性和泛化能力，优于传统的心电图分析方法。该模型能够从广泛可用的体表心电图中检测 WMA，为不同人群的 WMA 筛查提供了一种经济、便捷的手段，有助于减少医疗差距，使医疗资源更合理地分配给需要的患者。
然而，研究也存在一些局限性。例如，研究使用的是超声心动图报告而非直接评估超声心动图，不同中心的实践差异可能影响结果的普遍性；模型的阳性预测值在广泛人群中仍较低，用于诊断时需要进一步完善。未来，通过跨机构的联合数据训练，有望进一步提高模型性能。总体而言，这项研究为心脏壁运动异常的检测开辟了新的道路，为心血管疾病的早期诊断和干预提供了有力支持，对推动心血管疾病的精准诊疗具有重要意义。
