利用变分自动编码器提取心电图特征并通过机器学习分类左心室肥厚(Machine learning to classify left ventricular hypertrophy using ECG feature extraction by variational autoencoder)

《Heart Rhythm O》：Machine learning to classify left ventricular hypertrophy using ECG feature extraction by variational autoencoder

　　

摘要：背景(Background)：传统心电图(Electrocardiogram, ECG)诊断左心室肥厚(Left Ventricular Hypertrophy, LVH)的标准仅具有中等诊断效能。目的(Objective)：开发并验证基于ECG的机器学习模型用于LVH诊断。方法(Methods)：从12导联、向量心电图X-Y-Z导联及三维(L2范数)导联ECG中获取心率、间期、电轴等常规测量值，R波、S波及整体QRS振幅，以及QRS电压-时间积分(VTIQRS)。使用在118万份非筛选ECG上预训练的变分自动编码器(Variational Autoencoder, VAE)从代表性心搏信号中提取深度学习的潜空间嵌入向量(每例30个)。研究人员采用包含ECG特征(常规测量值及VAE嵌入向量)和性别的Logistic回归、随机森林(Random Forest)、轻量梯度提升机(Light Gradient Boosting Machine, LGBM)、残差网络(Residual Network, ResNet)及多层感知机(Multilayer Perceptron, MLP)进行训练，以预测LVH[超声心动图测定的左室质量指数(Left Ventricular Mass Indexed, LVMi)，女性>95 g/m2，男性>115 g/m2]，训练集含482,734对ECG-超声心动图配对(检查间隔±45天)；另训练一维卷积神经网络(Convolutional Neural Network, CNN)仅输入ECG信号。在独立留出测试集中报告受试者工作特征曲线下面积(Receiver Operating Characteristic–Area Under the Curve, ROC-AUC)。结果(Results)：在测试集(n=54,984)中，使用ECG特征(含VAE嵌入)的机器学习模型LVH分类AUC更高[LGBM 0.794，MLP 0.793，ResNet 0.795]，优于最佳单项ECG变量(VTIQRS-Z0.707)、最佳传统标准(Cornell电压-时限乘积 0.716)及仅使用ECG信号的CNN(0.788)。在未患LVH且随访超声心动图>1年的患者中，LGBM判定的假阳性者相比真阴性者，未来发展为LVH的比值比达3.07(95% CI 2.44, 3.86, p<0.0001)。结论(Conclusions)：机器学习模型优于传统ECG标准诊断LVH。基于提取ECG特征(含深度学习潜空间表征)训练的模型可超越基于原始ECG信号训练的CNN模型。

《利用变分自动编码器提取心电图特征并通过机器学习分类左心室肥厚》论文解读

本文发表于《Heart Rhythm O2》。目前，超声心动图是诊断左心室肥厚(LVH)的金标准，但因成本限制无法用于广泛筛查。传统12导联心电图依靠电压标准诊断LVH敏感性低，限制了其作为独立筛查工具的实用性。单纯端到端卷积神经网络(CNN)直接处理高维原始ECG信号在小样本下易过拟合，而传统机器学习又难以直接利用高维信号信息。为此，研究人员开展了一项大规模回顾性研究，利用在海量ECG上预训练的变分自动编码器(VAE)将代表性心搏ECG信号压缩为低维潜空间嵌入(latent embeddings)，将其与传统ECG测量参数及性别共同作为机器学习模型输入，以超声心动图测定的左室质量指数(LVMi)为金标准标签，训练和验证多种算法对LVH的分类效能，并与传统ECG标准和原始信号CNN进行比较。

本研究主要关键技术方法包括：回顾性调取美国堪萨斯大学医疗系统2010—2022年间同一患者45天内完成的ECG与超声心动图配对数据，以超声测定的LVMi（女>95 g/m2，男>115 g/m2）定义LVH；从12导联ECG提取心率、PR间期、QRS时限、电轴、各导联R/S振幅、QRS电压-时间积分(VTI_QRS)等，并通过Kors矩阵重建正交X-Y-Z导联及三维(L2范数)ECG；使用此前在118万份未标注ECG上预训练的VAE将0.75秒代表性心搏X-Y-Z导联信号编码为30维潜空间变量(latent variables/embeddings)；分别以"常规ECG参数+VAE嵌入+性别"为输入训练Logistic回归、随机森林、LGBM、ResNet、MLP，以"X-Y-Z导联代表性心搏信号"为输入训练CNN；按约9:1划分训练集(n=482,734)与留出测试集(n=54,984)，计算ROC-AUC、敏感度(固定特异度75%)、校准度，并对无LVH人群做>1年纵向随访分析评估假阳性者的未来LVH发生风险。

患者特征(Patient characteristics)

研究最终纳入537,718对ECG-超声心动图配对（来自89,145名患者），训练集482,734对，测试集54,984对（女性23,974例，男性31,010例；LVH患病率女33.6%、男28.4%）。测试集按QRS形态分为窄QRS(≤120 ms, 72.6%)、右束支阻滞(RBBB, 12.2%)、左束支阻滞(LBBB, 11.6%)及非特异性室内传导延迟(IVCD, 3.5%)四个亚组，用于分层分析。

LVH分类模型(LVH classification models)

单变量模型中VTI_QRS-Z判别LVH最优(AUC 0.707)，传统标准中Cornell电压-时限乘积(Cornell VDP)最优(AUC 0.716)。所有机器学习模型均显著优于上述指标(p<0.0001)。基于ECG特征(含VAE嵌入向量)与性别训练的LGBM(AUC 0.794)、ResNet(0.795)、MLP(0.793)表现最佳，略高于仅输入原始信号的CNN(AUC 0.788)。LGBM、MLP和ResNet校准斜率接近1(分别为1.06、1.15、1.11)，其中LGBM截距为-1.07提示轻微系统性过预测，可通过再校准修正。LGBM预测概率与实测LVMi呈强线性正相关(女r=0.582，男r=0.508)。

LVH阴性者的纵向分析(Longitudinal analysis of LVH negatives)

在测试集初始判定为LVH阴性且有>1年(平均3.3±1.7年)后序超声心动图的患者中，LGBM假阳性者(n=612)未来发生LVH的比例为30.9%，真阴性者(n=1,543)为12.7%；假阳性者进展为LVH的OR=3.07(95% CI 2.44–3.86, p<0.0001)，提示模型能识别尚未达到超声诊断阈值的早期电生理改变。

讨论与结论翻译

据研究人员所知，本研究是迄今最大规模的ECG标准与ML模型预测LVH评估。创新点在于应用深度学习潜空间嵌入使计算较简的ML模型可从不失真降维的ECG信号中提取信息而不易过拟合。主要发现如下：第一，传统QRS标准的底层指标诊断LVH效能有限，Cornell VDP最优(AUC 0.716)；第二，单变量测量如VTI_QRS-Z和VTI_QRS-3D与传统标准相当，VTI_QRS-Z最优(AUC 0.707)；第三，ML模型全面优于传统标准与单变量模型，LGBM、ResNet和MLP达最高AUC(约0.793–0.795)；此外LGBM捕捉到左室质量的连续趋势且与LVMi强相关，其假阳性者远期LVH发生风险升高约3倍；最后，传统标准、单变量及ML模型效能在不同性别与QRS形态亚组中有所差异。基于VAE降维使非深度学习ML模型可有效利用高维ECG信号信息且不损失性能、不易过拟合，该方法兼具可解释性与可扩展性，具临床转化潜力，但需外部验证后推广。

结论(Conclusions)：传统QRS-based ECG标准检测LVH仅具中等效能。简单单变量模型特别是VTI_QRS-Z可与传统标准相当。无论如何，机器学习技术可显著提升ECG诊断LVH的准确性，优于传统标准及单变量模型。本研究证实了通过变分自动编码器进行降维的价值——它使基于深度学习框架训练非深度学习的机器学习模型处理高维ECG信号数据成为可能，且兼顾性能与抗过拟合。此法兼具透明度与可扩展性，提示其具备临床整合潜力，但这些ML模型在广泛临床应用前仍需外部验证。