人工智能心电图筛查左束支传导阻滞患者左心室收缩功能障碍：模型开发与迁移学习策略评估

研究人员针对左束支传导阻滞(LBBB)患者左心室收缩功能障碍(LVSD)的筛查难题，通过开发四种AI-ECG模型（包括通用模型、自动提取LBBB模型、专家验证LBBB模型和迁移学习增强模型），发现通用模型与迁移学习模型表现最佳（AUROC 0.899 vs 0.903），为LBBB患者提供了一种可靠的LVSD筛查工具。这项发表在《JACC: Advances》的研究为心电图AI在特殊人群中的应用提供了重要循证依据。

　　

左束支传导阻滞(LBBB)是临床上常见的心电图异常，约0.1%-1.0%的普通人群受其影响。这种特殊的心电传导异常会导致心室激动顺序改变，进而可能引发左心室收缩功能障碍(LVSD)。然而并非所有LBBB患者都会发展为心功能不全，临床上面临着如何早期识别高危患者的重大挑战。传统心电图解读在LBBB患者中价值有限，而超声心动图等影像学检查又存在成本高、普及度低等问题。随着人工智能(AI)技术在医疗领域的突破，AI心电图(AI-ECG)分析为这一临床困境带来了新的解决方案。

研究人员来自韩国世宗医疗研究院数字健康研究所的Hak Seung Lee团队在《JACC: Advances》发表了这项重要研究。他们系统评估了四种不同的AI-ECG模型在LBBB患者中筛查LVSD的性能差异。研究的关键在于比较通用模型与专门针对LBBB开发的模型孰优孰劣，同时探索迁移学习技术是否能进一步提升诊断准确性。

研究采用了多中心回顾性设计，从4家医院收集了364,845份心电图数据。关键技术方法包括：1）使用ResNet架构开发通用AI-ECG模型；2）基于自动提取和专家验证两种方式构建LBBB专用数据集；3）应用迁移学习技术对通用模型进行微调；4）在1,334例独立外部验证集上评估模型性能；5）采用生成对抗性解释(GCX)框架进行模型可解释性分析。

研究结果显示，在外部验证中，迁移学习模型(Model 4)取得了最高的AUROC值0.903，略高于通用模型(Model 1)的0.899，但差异无统计学意义。值得注意的是，通用模型展现出极高的敏感性(0.966)，而迁移学习模型则具有更优的特异性(0.903)。通过固定敏感性为90%的比较发现，迁移学习模型在此条件下的特异性达0.718，显著高于其他模型。

模型可解释性分析揭示了AI判断LVSD的ECG特征依据。生成对抗性解释显示，随着AI-ECG评分增加，心电图呈现QRS波时限延长、QTc间期延长以及T波形态改变等特征。这些发现与已知的LBBB患者心室电机械不同步的病理生理机制高度吻合。

亚组分析发现，通用模型在年轻患者(<65岁)、糖尿病患者和非缺血性心脏病患者中表现更优，提示训练数据分布可能影响模型在不同人群中的适用性。预后分析则证实，AI-ECG阳性但超声心动图阴性的"假阳性"患者，其未来发生LVSD的风险显著增高(38% vs 8.5%)，表明AI-ECG评分可能具有预测价值。

这项研究具有多重重要意义。首先，它证实了通用AI-ECG模型在LBBB这一特殊人群中仍保持良好性能，为临床推广提供了便利。其次，迁移学习技术虽然仅带来边际改善，但为处理数据稀缺的临床亚组提供了可行方案。最重要的是，研究展示了AI-ECG不仅可作为诊断工具，还可能成为预测心血管事件的数字生物标志物。

讨论部分指出，该研究的创新性体现在三个方面：首次系统比较了不同AI-ECG开发策略在LBBB患者中的表现；验证了迁移学习在心脏AI领域的应用价值；通过可解释性分析揭示了模型决策的生理学基础。然而作者也承认研究的局限性，包括回顾性设计、样本来源相对单一等。

未来研究方向应包括前瞻性验证、开发自适应多种传导异常的通用模型，以及探索更有效的模型解释方法。这项研究为AI-ECG在特殊人群中的应用树立了典范，其方法论对开发其他心脏疾病的AI诊断工具具有重要借鉴意义。随着技术的不断优化，AI-ECG有望成为心血管疾病筛查和风险分层的重要工具，特别是在医疗资源有限的地区发挥更大价值。