《npj Digital Medicine》:Personalized artificial intelligence based left ventricular ejection fraction and systolic dysfunction assessment
编辑推荐:
本研究致力于解决左心室射血分数(LVEF)评估依赖资源密集型成像技术(如经胸超声心动图TTE)的问题。研究人员利用大规模心电(ECG)/TTE配对数据,开发了基于卷积和概率神经网络的个性化人工智能模型,用于从ECG估计LVEF并量化其不确定性。结果表明,模型在LVEF估计和左心室收缩功能障碍(LVEF≤40%)筛查方面表现出色,为心脏功能的便捷、高效评估提供了新工具。
心脏,这个时刻跳动维持我们生命的泵,其功能好坏直接关系到整体健康。评估心脏功能,尤其是左心室(Left-ventricular, LV)这个主泵血腔室的收缩能力,至关重要。临床上,左心室射血分数(Left-ventricular ejection fraction, LVEF)是衡量这一功能的核心指标,它反映了每次心跳时左心室泵出血液的百分比。通常,LVEF需要通过经胸超声心动图(Transthoracic Echocardiography, TTE)等影像学技术来精确测量。尽管准确,但这些检查往往需要昂贵的设备、专业的操作人员,且并非随时随地可用,在资源有限或需要快速筛查的场景下存在局限。那么,能否找到一种更便捷、更易获取的替代数据来评估LVEF呢?
心电图(Electrocardiogram, ECG)作为一种无创、廉价、广泛使用的检查手段,进入了研究人员的视野。ECG记录的是心脏的电活动,而电活动驱动机械收缩,理论上两者存在关联。但仅凭ECG的波形就能可靠地推算出LVEF吗?这正是本研究试图回答的核心问题。为了探索这种可能性,一个研究团队在《npj Digital Medicine》上发表了一项大规模研究,他们开发了一种基于个性化人工智能的方法,利用ECG来评估LVEF和左心室收缩功能障碍。
研究人员为开展此项研究,主要运用了以下几项关键技术方法:首先,他们构建了一个超大规模的数据集,纳入了191,941名患者的236,623对ECG/TTE同步测量数据,这为模型训练和验证提供了坚实基础。其次,他们利用卷积神经网络和概率神经网络,分别开发了仅基于ECG信号的模型以及结合了ECG与结构化特征(如患者基本信息等)的混合模型,用以估计LVEF值并量化预测的不确定性。尤为关键的是,他们引入了“个性化”建模理念,针对个体患者优化模型,以提升预测精度。最后,他们采用标准统计指标(如平均绝对误差MAE、均方根误差RMSE)以及受试者工作特征曲线下面积(AUC)等,对模型在LVEF数值回归和LV收缩功能障碍(定义为LVEF≤40%)分类任务上的表现进行了全面评估。
研究结果
1. 总体模型性能
研究人员首先评估了模型在整个测试队列中的表现。仅使用ECG数据的模型,其预测LVEF的平均绝对误差(Mean-Absolute-Error, MAE)为7.71%,均方根误差(Root-Mean-Square-Error, RMSE)为10.36%。而结合了结构化特征的混合模型,MAE为7.84%,RMSE为10.52%,两者性能接近,表明ECG本身已包含丰富信息。
2. 个性化模型的优势
当研究人员针对个体患者应用个性化建模后,模型性能得到了显著提升。个性化后的仅ECG模型,其MAE降低至5.98%;个性化后的混合模型,MAE降低至6.75%。这证实了为患者“量身定制”AI模型能够更精确地估计其LVEF。
3. 左心室收缩功能障碍的筛查效能
除了连续值估计,模型在识别左心室收缩功能障碍(LV systolic dysfunction, LVEF≤40%)这一重要临床分类任务上表现突出,达到了0.88的AUC值。同时,模型展现出高达0.92的敏感度和0.98的阴性预测值,这意味着它非常擅长正确识别出那些LVEF>40%(即无明显收缩功能障碍)的患者,在排除诊断方面可靠性高。
结论与讨论
本研究证实,基于大规模心电图数据训练的人工智能模型,能够有效地估测左心室射血分数,并具备优秀的左心室收缩功能障碍筛查能力。特别是个性化建模策略的引入,进一步提升了模型的预测精度。这项工作的重要意义在于,它探索并验证了利用心电图为代表的、易得且低成本的数据源来评估心脏泵血功能的可行性。所开发的模型有望成为一种辅助工具,在资源有限的环境下、或在初级医疗筛查场景中,为快速识别可能存在心功能不全的患者提供参考,从而促进更及时的专业诊疗。当然,这并非旨在取代标准的超声心动图等金标准检查,而是作为一种有力的补充和筛查手段,为临床决策提供更多信息维度,展现了数字医学和人工智能在心血管疾病管理中的应用潜力。