编辑推荐：
心电图成像（ECGI）旨在从体表电位无创估算心脏表面电位，但传统方法依赖 CT/MRI 获取的几何信息，限制了临床应用。研究人员开展基于深度学习估算心脏表面电位的研究，结果显示该模型性能与标准 ECGI 相似，且无需 CT/MRI，有望用于患者筛查等。
在医学领域，心脏疾病的准确诊断一直是至关重要的课题。心电图成像（Electrocardiographic imaging，ECGI）作为一种非侵入性技术，能够通过从体表电位重建心脏表面电位（Heart surface potentials，HSPs），实现心脏电活动的可视化，在增强诊断准确性和提供治疗指导方面发挥着重要作用。然而，传统的 ECGI 技术存在明显的局限性。它需要借助计算机断层扫描（CT）或磁共振成像（MRI）获取患者特定的躯干 - 心脏几何信息来重建 HSPs，CT 会使患者暴露在辐射中，而 MRI 不仅成本高昂（是 CT 扫描的 2 - 10 倍），还需要专门的设备、较长的扫描时间，且获取几何信息的过程需要专业人员操作，这一系列因素使得传统 ECGI 在临床门诊的首次筛查等场景中难以广泛应用。
为了解决这些问题，来自多个机构的研究人员（具体单位信息未知）开展了一项旨在利用深度学习框架从体表电位单独估算心脏表面电位的研究。该研究成果发表在《Artificial Intelligence in Medicine》上，具有重要的意义。
研究人员采用了多种关键技术方法。首先，将 3D 的躯干和心脏几何结构转化为标准化的 2D 表示，其中包括使用直接映射和 Tutte 嵌入方法（TEM）分别对心脏和躯干进行处理，再通过 3D 薄板样条（TPS）插值使 2D 表示具有固定大小。其次，基于 Pix2Pix 网络构建深度学习模型，对网络结构中的卷积层、上采样操作以及输入输出维度进行调整，并引入新的损失函数，该损失函数结合了条件生成对抗网络（cGAN）损失、L1距离损失、余弦相似度等，同时考虑了不同输入的权重和时间窗口信息。研究使用了包含 11 名健康受试者和 29 名特发性心室颤动（Idiopathic ventricular fibrillation，IVF）患者的数据集，数据经过预处理和归一化后，通过贝叶斯优化确定模型的超参数，并使用 5 折交叉验证评估模型性能。
研究结果如下：
- HSPMs 的估计：通过比较预测的 HSPMs 与标准 ECGI 重建的 HSPMs，模型预测的平均绝对误差（MAE）均值为 0.012 ± 0.011，结构相似性指数测量（SSIM）均值为 0.984 ± 0.026，表明模型能有效捕捉 HSPMs 的结构特征，尽管在 2D 地图底部区域精度稍低，但对整体预测影响较小。
- 电图和激活恢复时间的估计：估计的电图（EGM）与重建的 EGM 相比，MAE 均值为 0.004 ± 0.004，皮尔逊相关系数（PCC）均值为 0.643 ± 0.352，说明两者在幅度和形状上相似，但模型在 T 波部分存在一些波动和幅度差异。在激活时间（Activation time，AT）和恢复时间（Recovery time，RT）的估计中，AT 的平均绝对时间差为 6.048 ± 5.188 ms，RT 为 18.768 ± 17.299 ms，RT 的差异较大，主要是由于 T 波相关信息不足以及模型在 T 波极性估计上存在问题，但模型仍能保留与 RT 相关的临床特征。
- 消融研究：通过与五个替代模型对比，发现采用双卷积、反卷积上采样、单时间点输入输出、不考虑输入权重以及不使用余弦相似度等改变会导致模型性能下降，证明了研究中所采用结构和损失函数的有效性。
研究结论和讨论部分指出，该研究提出的定制化顺序条件生成对抗网络架构（ScGAN），利用 2D 躯干和心脏表示，无需 CT 或 MRI 及转移矩阵，仅通过体表电位记录就能高效准确地生成 HSPM 表示。与现有研究相比，该方法在人体实验中表现出相似或更优的性能，且减少了数据需求和对心脏几何信息的依赖。不过，研究也存在一定局限性，如未纳入心律失常期间的心脏信号，模型在不同心脏结构和病理情况下的有效性还需进一步研究。尽管如此，该研究成果仍具有重要意义，为患者的首次筛查和治疗后随访提供了更便捷的工具，有望实现更长期、更频繁的心脏表面电位监测，为心脏疾病的诊断和治疗开辟新的途径。
