基于时序卷积神经网络的心音图特征提取与异步通道信息融合方法在儿童心脏异常检测中的应用

针对心音图(PCG)信号变异性和病理性/生理性杂音鉴别难题，研究人员提出了一种结合时序卷积网络(TCN)特征提取与异步信息融合的创新框架。该研究通过患者级概率表征整合多通道心音数据，采用迁移学习解决域适应问题，在外部验证中取得AUC 0.931±0.027的优异性能，为资源有限地区的儿童心脏异常筛查提供了可靠解决方案。

　　

心脏听诊作为临床基础检查手段，在儿童先天性心脏病早期筛查中具有特殊价值。然而现实情况令人担忧：全球约50%-70%的儿童心脏杂音属于无需干预的生理性杂音，而资源匮乏地区每年仍有超过50万东非儿童因漏诊导致先心病恶化。传统听诊器无法记录和共享心音数据，即使电子听诊设备普及后，心音图(Phonocardiogram, PCG)信号仍面临三大挑战——信号变异性大、病理性与生理性杂音声学特征重叠、跨数据集性能骤降。韩国峨山医学中心的研究团队在《Computer Methods and Programs in Biomedicine》发表的研究，通过创新性融合时序卷积网络(Temporal Convolutional Network, TCN)与异步信息融合技术，为这一临床难题提供了突破性解决方案。

研究采用PhysioNet2016(PNC2016)和PhysioNet2022(PNC2022)两大公共数据集，核心技术包括：1) TCN架构提取心音片段级病理概率特征；2) 均值池化实现可变长度记录的患者级特征融合；3) 迁移学习框架解决成人(PNC2016)与儿童(PNC2022)数据间的域偏移问题。

特征提取模型(f)在记录层面的性能
通过TCN模型对心音片段进行深度特征学习，发现病理性杂音在时频域呈现独特的高频噪声模式。模型在内部验证中成功区分S₁/S₂心音与异常成分，为后续分析奠定基础。

患者层面的分类性能
创新性地采用概率均值融合策略，将不同听诊部位（主动脉瓣、肺动脉瓣等）的异步记录整合为统一患者表征。在PNC2022数据集上实现患者级AUC 0.904，显著优于传统单记录分析方法。

迁移学习提升外部验证性能
当模型直接应用于PNC2016成人数据时性能骤降(AUC 0.802)，但通过特征提取层冻结和分类器微调的迁移学习策略，最终外部验证AUC提升至0.931±0.027，PR-AUC达0.867±0.064。

讨论与结论
该研究突破性地解决了三个临床痛点：1) 支持多通道异步心音记录整合，适应真实场景中不规则的听诊时序；2) 通过概率融合机制兼容可变时长记录，提升资源有限地区的适用性；3) 迁移学习框架有效缓解了跨人群、跨设备的域偏移问题。技术层面，TCN的长期依赖捕捉能力优于传统Mel频谱特征，而患者级概率融合策略比多数研究采用的简单投票机制更具生物学合理性。研究开源代码的发布，使得这套方法特别适合低收入地区的儿童心脏筛查项目推广，也为ECG等多模态生理信号分析提供了可扩展框架。未来工作可探索心音-心电图(ECG)多模态融合，进一步提升复杂病例的鉴别效能。