导联感知的心电图图像表征用于属性不变的心肌病分类

《Pattern Recognition》：Lead-aware ECG image representation for Attribute-Invariant cardiomyopathy classification

　　

• •
  提出了一种基于心电图图像的 novel 分类模型，用于心肌病的早期筛查，以应对心电图特异性低以及非心律失常类心脏疾病检测面临的挑战。
• •
  采用轻量级通道交换来提取多尺度导联特征，同时保留扫描心电图图像中的空间-时间关系并抑制伪影。
• •
  开发了一个融合信息瓶颈的聚类模块，用于压缩疾病相关信息并过滤混杂因素，以实现可靠的心肌病诊断。

引言

心电图（ECG）是一种广泛应用、成本低廉且无创的心脏功能评估技术。通过记录每个心动周期中的电生理变化，心电图波形能够反映心脏功能，并具有早期筛查心血管异常的潜力[1]。传统的心电图诊断高度依赖于波形对比和经验丰富的心内科医生进行手动评估，这一过程耗时且容易产生主观偏差。近年来，深度神经网络在自动化心电图分析方面取得了显著进展，使得高效、客观的心电图记录解读成为可能[2]。

如图1(c)所示，标准的12导联心电图记录了来自不同心脏位置的电生理信号，从而能够全面分析心脏功能。每个导联捕获的信号包含一个完整的心动周期，通常以P波、QRS波群和T波等波形表示。目前大多数心电图研究侧重于检测明确的病变或特定异常——例如心律失常[3]、心肌梗死[4]、[5]和心房颤动[6]、[7]、[8]，以支持早期医疗干预。然而，心电图在早期筛查非特异性心血管疾病（如功能性或结构性疾病）方面的潜力仍待深入探索，这构成了一个开放性的挑战。

心电图异常反映的是客观检查结果，而心血管疾病则是通过综合临床评估诊断出的复杂疾病实体。例如，在扩张型心肌病（DCM）的诊断中，临床标准包括心室扩大和心肌收缩力受损，通常需要超声心动图或心脏磁共振（CMR）等昂贵的影像学工具进行精确评估。然而，心电图受限于其特异性不足以及信号与疾病机制之间复杂的线性关系。这一局限性使得心电图异常指标对DCM等疾病的指示不够特异。此外，心电图信号容易受到压力、药物或体力活动等引起的短暂干扰，可能掩盖潜在的 电生理和病理生理关系。因此，利用心电图进行心血管疾病早期筛查并探索心电图波形异常与心血管疾病之间的潜在关联仍然是一个重大挑战。

此外，尽管基于信号的心电图分类方法在公开数据集上表现优异[9]、[10]，但在实际应用中面临重大障碍。在临床环境中，心电图通常以图像形式归档，导致信号质量下降和有效采样率降低[11]。这为基于深度学习的筛查引入了关键挑战，包括难以将细微波形与重叠的背景网格线区分开来，从而可能导致形态畸变。

此外，不同心电图设备之间打印格式和样式的差异严重损害了模型的泛化能力。如图1(a)所示，尽管12个导联通常按顺序排列，但其具体顺序和空间布局可能有所不同。由于每个导联提供了心脏电活动的独特视角，这种位置变化会改变模型的关注点，从而对分类性能产生不利影响。另一种方法是将这些图像转换回数字信号进行分析。然而，这一提取过程不仅耗时，还可能引入额外噪声，进一步损害信号完整性。

本文将从心电图图像进行心肌病分类视为一个多补丁分类问题，重点关注导联特异信息，并提出了一种名为LAI-ECG（Lead-aware Attribute-Invariant ECG图像表示，用于心肌病分类）的新型端到端模型。该方法包含两个组成部分：多尺度导联信息发现和信息瓶颈联合属性不变聚类。具体而言，给定一张心电图图像，我们首先根据图像排列将其分割为12个局部导联，然后将每个导联分割为子片段。对于每个导联，我们通过轻量级通道交换操作发现空间-时间依赖关系，其中在嵌入之前避免融合通道信息，并减轻不同导联排列在心电图图像中的影响。随后，为了降低非病理因素的影响，我们采用属性不变联合聚类来保留疾病相关特征。最后，使用表示特征进行心肌病分类。通过这种方式，模型可以有效建立心电图图像与心肌病之间的潜在关系，缓解无关信息的影响，并提高早期心电图筛查的效率。

综上所述，本工作有三项主要贡献：

• •
  我们开发了一种专门用于从临床心电图图像进行心肌病分类的新型LAI-ECG框架。我们将每张心电图图像视为多导联波形补丁的有序组合，并设计了轻量级通道交换模块以同时提取跨导联上下文模式和独立的导联特异性空间-时间特征。
• •
  在信息瓶颈理论的指导下，我们提出了一种属性不变联合聚类模块，通过端到端聚类方法学习疾病相关特征，同时减轻非病理属性的影响。我们理论上证明，当心电图子群体信息可用时，通过最小化聚类分配与群体特异性潜在属性之间的互信息，可以减轻无关的心电图干扰。
• •
  在真实临床心电图图像数据集和公开的PTB-XL数据集上进行了大量实验，我们提出的模型相较于其他现有方法展现出了更高的性能水平。

章节摘要

相关工作

在本节中，我们从心电图分类和信息瓶颈三个相关领域回顾了相关工作。

方法论

在本工作中，我们提出将心电图图像解释为局部空间信息（单个导联的波形补丁）和全局时间演化信息的有机整合。如图2所示，模型首先通过并行网络处理每个导联的局部片段，提取其时间嵌入和空间骨架特征。在此基础上，我们引入了与信息瓶颈层耦合的属性不变联合聚类。该框架

数据集

在本节中，介绍了两个真实世界数据集，用于研究所提出方法的有效性。

心肌病门诊患者数据集：第一个数据集包含2009年至2021年间中国人民解放军总医院门诊就诊的9850张心电图图像，年龄四分位数范围为18至80岁。共有170名成人肥厚型心肌病（HCM）患者和191名成人DCM患者在15

参数分析

图5展示了参数$\alpha$、$\beta$和$\gamma$对LAI-ECG的$F_1$分数的影响。实验结果表明，当$\alpha$在$[\mathrm{0.5,1}]$范围内时，信息瓶颈机制能够有效过滤冗余噪声并提取判别性特征。同时，模型在较低的$\beta$值下表现出更高的鲁棒性，这表明在减轻性别等背景因素的干扰时，必须保持适度的相关性以保留必要的临床先验

特征可视化分析

为了进一步说明模型机制，我们采用t-SNE来可视化对应0、200和600个训练周期的潜在特征分布。图6第一行展示了ECG补丁特征的聚类趋势，这些特征在第0个周期时随机散布在特征空间中，轮廓分数较低，表明聚类松散。随着训练进行到200和600个周期，轮廓分数持续上升，定量验证了模型生成的

结论

在本工作中，我们提出了一种用于心肌病分类的新型模型，该模型通过轻量级通道交换操作结合信息瓶颈联合属性不变聚类，从心电图图像中发现导联特异性和疾病相关信息。该方法在比较评估中展现了稳健的性能，表明心电图图像中的导联特异性特征对早期筛查有效。将ECG图像

CRediT作者贡献声明

陈博：写作–审阅与编辑、写作–原稿撰写、可视化、验证、软件、资源、项目管理、方法论、调查、形式化分析、数据整理、概念化。秦夏真：写作–原稿撰写、形式化分析。蔡俊杰：写作–审阅与编辑。蒋明铭：数据整理。李晓：写作–审阅与编辑、方法论、数据整理。董伟：写作–审阅与编辑、监督、方法论。何昆仑：写作–审阅与

利益冲突声明

作者声明不存在可能影响本论文所报告工作的已知竞争性经济利益或个人关系。

致谢

本工作由中国智能基础设施领域重点项目（项目编号：251-CXCY-A01-23-11-01）和中央高校基本科研业务费专项资金（项目编号：QTZX25118）资助。

陈博|秦夏真|蔡俊杰|王宏霖|蒋明铭|李晓|董伟|何昆仑