基于频率调制莫比乌斯方法的可解释人工智能模型在长QT综合征心电图诊断中的可行性研究

《European Heart Journal》：Explainable artificial intelligence for diagnosis of Long QT syndrome

　　

摘要

背景

长QT综合征（LQTS）是一种遗传性心律失常综合征，其特征是对潜在致死性心律失常的易感性增加¹。尽管QT间期延长是诊断依据，但典型的LQTS相关突变具有不完全外显性²，使得诊断困难。然而，心室复极化时间仅代表LQTS心电图（ECG）表现的一个方面，其表现还包括T波不对称、形态和相位等形态学改变。遗憾的是，无论是旨在客观捕捉这些形态学改变的传统模型，还是黑箱式人工智能（AI）模型，均未能成功应用于临床实践。在此背景下，频率调制莫比乌斯（FMM）模型³提供了一种具有生理意义且统计和计算性能优异的框架，与黑箱模型不同，FMM在可解释性与预测准确性之间取得了平衡。

目的

研究基于FMM方法的可解释人工智能方法在长QT综合征诊断中的可行性。

方法

我们连续招募在LQTS相关的三个基因之一的单一突变检测呈阳性的个体。已知LQTS相关基因突变的先证者的家系成员，在接受基因检测后被鉴定为该家族中突变检测呈阴性者，作为健康对照组。使用ECGMiner对心电图进行数字化处理。经过预处理并将信号按每位患者的每个心动周期进行分割后，对每个心动周期拟合3DFMM_ecg以提取心拍级别的标记。为检验该方法的预测能力，采用了逻辑回归模型。

结果

我们共招募n=300名个体：n=200名为典型LQTS突变携带者（其中KCNQ1突变n=100名，KCNH2突变n=71名，SCN5A突变n=29名），以及n=100名健康对照者。首先，我们开发了逻辑回归模型，识别出若干对识别基因确诊长QT综合征患者具有重要意义的心电图标记。重要的是，除QTc间期持续时间（p<0.0001）外，T波起始延迟和峰值延迟（p=0.011和p<0.001）、T波对称性较差（p<0.0001）以及ST-T段持续时间较长（p=0.0001）也是显著预测因子。该模型表现出良好的区分能力（交叉验证平均AUC为0.925±0.023）。随后，我们在QT间期正常（即<460 ms）的个体亚组中检验了模型性能。关键在于，相同的预测因子得以保留，效应量相当，且模型识别基因型阳性个体的能力依然稳健（交叉验证平均AUC为0.886）。

结论

基于连贯的形态学特征，新型可解释人工智能模型能够可靠地区分LQTS致病变异携带者与健康对照组。