基于深度学习的电极动作电位映射实现非阵发性心房颤动无需标注的传导基质重建与可视化

《Scientific Reports》：Deep-learning-based electrode action potential mapping from annotation-free unipolar electrograms for substrate characterization in atrial fibrillation

　　

摘要

非阵发性心房颤动（非PAF）的导管消融仍受限于难以识别异常传导区域，而当前的标测方法依赖于激活时间标注，在复杂传导条件下可靠性较低。我们开发了基于深度学习的电极动作电位映射（DEAP Mapping），该方法无需局部激活时间标注，即可从单极心内心电图（EGM）重建膜电位分布。一个卷积神经网络在来自纤维化人心房双域模型的13,824个计算机模拟样本上进行了训练。在离体猪心（N = 6）实验中，DEAP Mapping重建的传导延迟和传导阻滞与光学映射具有高度相似性（相位方差图SSIM 0.87 ± 0.07），优于常规激活标测图（0.36 ± 0.14）。在一项回顾性临床研究（N = 12名非PAF患者）中，DEAP Mapping重建的传导模式与现有方法的部分结果存在差异，且相位方差分析揭示了具有患者间差异性的空间连续传导异质性。DEAP Mapping能够从临床导管信号中提供无需标注、媲美光学映射的基质可视化，有望支持个体化消融治疗。