基于XGBoost的人工智能实时心音图质量控制系统在多部位心血管信号采集中的评估与应用

《European Heart Journal》：Real-time AI-based signal quality control enhances signal reliability and diagnostic stability in multi-site digital auscultation

　　

摘要

背景

心脏听诊对于心血管筛查至关重要，但其高度依赖操作技术，且易受接触不良、运动伪影和噪声影响¹。信号不稳定常导致重复记录、解读结果不一和转诊延迟，降低了工作流程效率。我们的光学心音图平台²允许多部位采集，但对于非医师医疗专业人员而言，标准化的实时质量保证对于实现一致的信号采集至关重要。

目的

评估一种基于人工智能的实时质量保证/质量控制（QA/QC）系统，并评估其对非医师医疗专业人员采集心音图变异性影响。我们检验了自动化质量控制是否支持可扩展的、标准化的数据采集。

方法

利用专家标注且公开可用的心音图数据集，统一为"良好/差"质量定义，建立真实的信号质量标签。通过标准化预处理和预定义的声学特征（稳定性、频谱组织、熵、包络、周期性）提取，训练梯度提升（XGBoost）分类器，并使用标准准确率和一致性指标进行评价，以区分良好和差的记录。

最终的QA/QC模型被部署用于实时评估，并在3,655条来自七个解剖部位（颈动脉、胸骨上窝、二尖瓣、三尖瓣、肺动脉瓣和主动脉瓣区域）的双部位记录上进行验证，数据由一名新手采集。随后分析了信号质量分类与诊断信心及经胸超声心动图（TTE）检查结果之间的相关性。

结果

XGBoost QA/QC分类器在验证数据上表现优异（准确率0.88，F1值0.84，ROC-AUC 0.95），能够一致地区分良好和差的记录。在跨越七个区域的3,655条双部位前瞻性评估记录中，94%为良好质量，6%为差质量。差质量记录与较低的诊断信心相关（0.74对比0.94），并表现出更大的频谱不规则性和降低的周期性稳定性。

亚组分析证实了QA/QC在所有七个解剖区域和人口统计学群体中的稳定表现。在TTE确认的瓣膜性心脏病受试者中，差质量记录的比例较高（9.1%对比3.1%），但其对下游解读的影响尚待确定。

该模型的一致性能支持其在非专家操作人员多部位采集过程中进行实时质量控制的可靠性。

结论

该QA/QC模型能够可靠地评估不同解剖部位、年龄、性别和VHD状态下的实时心血管声学记录质量。自动化质量控制促进了高比例可用记录的获取，支持标准化的、大规模多部位心血管信号采集用于研究和临床用途。需要独立验证以确认其泛化性和鲁棒性。

图

在新标签页中打开下载幻灯片