基于深度学习的心电图算法校准：提升肥厚型心肌病高风险患者筛查的临床可解释性

针对FDA获批深度学习(ECG-DL)算法在真实临床场景中预测结果可解释性不足的问题，来自Viz.ai资助团队的研究人员通过前瞻性校准研究，对1522例肥厚型心肌病(HCM)高风险患者进行模型输出概率转换。结果显示校准后评分将阳性预测值(PPV)提升至80%（前5%阈值），为AI辅助诊断提供临床决策新范式。

　　

尽管深度学习(DL)算法在医疗领域的应用前景广阔，但美国食品药品监督管理局(FDA)批准算法的"开箱即用"表现仍缺乏前瞻性验证。这项聚焦肥厚型心肌病(HCM)筛查的研究揭示了关键发现：当使用原始算法对1522例心电图(ECG)高风险患者进行初筛时，仅10.9%的阳性预测值(PPV)提示大量假阳性存在。

研究团队创新性地采用逻辑回归校准技术，将算法输出的抽象分数转化为具有临床意义的疾病概率。经过专业心脏科医生对医疗记录和影像学的手动验证（166例HCM阳性 vs 1356例阴性），校准后的模型展现出惊人精度——当选取分数排名前5%的病例时，PPV飙升至80%，前10%阈值亦达70%。

值得注意的是，校准过程保留了原始输出的排序特性，但赋予了分数直观的临床解释力。这种"概率翻译"技术不仅解决了"算法黑箱"难题，更通过建立分数与疾病风险的量化关系，为临床医生提供了可靠的决策依据。该研究由医疗AI领军企业Viz.ai资助，为FDA认证算法的临床落地树立了校准范式。