编辑推荐：
心电图（ECG）检测在心脏疾病诊疗中意义重大，12 导联 ECG 是临床金标准，但单导联可穿戴设备信息有限。研究人员利用生成对抗网络（GAN）开展 12 导联 ECG 重建研究，发现重建结果存在回归均值效应，不适合临床使用，为后续研究指明方向。
在心脏疾病的诊断和监测领域，心电图（Electrocardiogram，ECG）检测就像一位 “侦察兵”，承担着获取心脏电活动信息的关键任务。其中，12 导联 ECG 堪称临床评估心脏状况的 “黄金标准”，它能全方位、细致地呈现心脏不同部位的电活动情况，帮助医生精准判断各种心脏疾病。然而，随着科技的飞速发展，可穿戴设备逐渐普及，集成了 ECG 采集功能的可穿戴设备让单导联 ECG 变得随处可得，极大地方便了患者和消费者日常监测心脏状况。但美中不足的是，单导联 ECG 在获取心脏电活动信息时存在明显的局限性，无法提供像 12 导联 ECG 那样丰富、全面的临床细节，这就好比用一个简陋的工具去完成一项复杂的任务，难以达到理想的效果。
为了解决这一难题，来自奥斯陆都市大学（Oslo Metropolitan University）、锡比乌的卢奇安?布拉加大学（Lucian Blaga University of Sibiu）、哥本哈根大学（University of Copenhagen）等多个研究机构的研究人员携手开展了一项意义非凡的研究。他们将目光聚焦于深度学习技术，试图借助其强大的能力，构建一种能够从单导联或双导联 ECG 数据中精准重建出 12 导联 ECG 的神经网络模型，并深入评估该模型的数学准确性，探索其在临床应用中的可行性。这项研究成果发表在《Communications Medicine》杂志上，为该领域的发展提供了重要的参考依据。
在研究过程中，研究人员主要运用了以下几种关键技术方法：首先，他们选用了 Physikalisch-Technische Bundesanstalt（PTB-XL）队列中的 9514 名个体的 I 导联或 I、II 导联 ECG 数据，这些数据涵盖了健康个体和多种心脏疾病患者的心电图信息，为模型训练提供了丰富的素材。接着，他们采用了生成对抗网络（Generative Adversarial Network，GAN）技术，这一技术包含生成器和判别器两个神经网络，二者相互对抗、协同训练，生成器负责根据输入的单导联或双导联数据重建出 12 导联 ECG，判别器则负责区分重建的 ECG 和真实的 ECG，通过这种方式不断优化生成器的性能。此外，研究人员还使用了 UNet 架构模型，并通过调整不同的损失函数（如对抗损失和均方误差损失）来训练模型，以评估不同模型的性能表现。
下面让我们来详细了解一下研究结果：
- 重建心电图的相关性分析：研究人员通过绘制相关性图，对比了真实 ECG 和生成的 ECG 中 I 导联（输入导联）和 V3 导联（重建导联）之间的振幅关系。结果发现，真实 ECG 中 I 导联和 Vn导联的 R 波和 T 波振幅相关性较差，而生成的 ECG 相关性则显著更高。这表明 GAN 在重建过程中过度依赖输入信息，可能无法准确反映个体差异。
- Bland-Altman 分析：从 Bland-Altman 图来看，无论是使用 I 导联单独输入还是 I、II 导联同时输入来预测 V3 导联（正交胸前导联之一），GAN 都会系统性地高估低 R 波和 T 波振幅，同时低估高振幅，在 V6 导联也存在类似情况。这意味着重建的 ECG 在振幅准确性方面存在较大偏差，可能影响对心脏疾病的准确判断。
- 重建误差分析：研究人员进一步分析了重建误差，计算了所有胸前导联的重建误差百分位数。结果显示，重建的 ECG 可能包含临床上显著的改变，这些改变在真实 ECG 中并不存在，可能导致对 ECG 的错误解读。例如，在 R 波振幅方面，不同导联的重建误差在不同百分位数下呈现出较大差异，这表明重建结果的可靠性有待提高。
综合研究结果，研究人员得出结论：基于深度学习的 12 导联 ECG 重建存在显著局限性，生成的 ECG 存在回归均值效应，即更倾向于反映总体的平均特征，而非个体患者的特异性特征，因此目前并不适合用于临床诊断。这一结论犹如一记警钟，为后续的研究指明了方向。它提醒科研人员在探索 ECG 重建技术时，不能仅仅依赖深度学习模型的表面效果，还需要更加深入地考虑如何准确捕捉个体差异，提高重建 ECG 的准确性和可靠性。未来的研究可以尝试引入更多患者特异性数据，优化模型设计，或者探索其他更有效的机器学习技术，以推动这一领域的发展，为心脏疾病的诊断和治疗提供更有力的支持。
