基于物理模拟器行为反演的心电图心脏参数估计

《PLOS Digital Health》：Cardiac parameter estimation from electrocardiograms based on inversion of physical simulator behavior

　　

心电图（ECG）因波形蕴含反映心脏状态的丰富信息而用于临床医学，经验丰富的专科医师可通过与典型病例模板匹配识别代表性异常及其预测征象，但即便对专家而言，进一步定位异常成因仍十分困难。为提供心脏内部状态的线索，研究人员提出一种基于深度神经网络（DNN）的模型，由单一编码器网络与多个解码器网络组成，用于将12导联心电图转换为代表心脏内部状态且可能是心电图信号本质因素的多个微观物理与化学心脏参数（如与心脏电生理相关的多种离子参数）。训练所需的心电图与心脏参数配对数据原则上不可得，因此研究人员利用可模拟心脏物理行为的白盒模型生成此类数据。该方法在连续值心脏参数的平均绝对误差（MAE）与离散值心脏参数的准确率上进行了实验评估，结果显示可准确估计这些参数；进一步通过可视化估计值在真实值周边的分布细致考察了估计误差。该方法可辅助医师从心电图自动估计心脏参数以监测心脏状况，亦可发掘心脏参数、心电图波形与心脏病之间的关联，但在实际临床应用前仍需验证其在真实心电图上的正确性。

研究背景方面，心电图（ECG）是心肌细胞兴奋产生电位变化的图形表征，临床用于监测心脏健康与检出心脏病，医师多依赖经验对波形形态分类诊断，易遗漏细微异常征象；既有机器学习研究集中于心律失常、心肌梗死等预定义类别分类，难以应对医学进展中新增异常类别，且需耗费人力重建标注数据。研究人员指出，应直接估计细胞级心电图生成因素（如I_Ks、I_Kr等离子电流参数），而非人工类别，但涵盖广泛生成因素的数据集不存在，手动构建耗时。为此，研究人员选用基于有限元方法（FEM）的多尺度多物理场心脏模拟器UT-Heart，其输入恰为15个物理化学心脏参数（13连续、2离散），可正向合成12导联心电图，从而构造“参数→心电图”配对用于逆问题学习。

关键技术方法上，研究人员以UT-Heart合成的30720组12导联心电图（采样500Hz，固定心率60bpm，取单拍500采样点）及对应15维心脏参数为样本，按EX参数循环混洗后以6:2:2划分训练/验证/测试集；构建“单编码器+多解码器”深度神经网络（DNN）：编码器为5层一维卷积（1D-Conv）提取全导联特征并时序平均得定长向量，13个连续参数各配5层全连接（FC）解码器输出标量（恒等激活），2个离散参数（EX、CELL）解码器输出one-hot维数经softmax分类；损失为连续参数L1损失与离散参数交叉熵之和，RAdam优化20000轮，批量4096，并以树模型（决策树、随机森林、XGBoost）作对照。

研究结果部分，“评估性能”显示所提DNN在连续参数平均绝对误差（MAE）上优于或持平树模型，离散参数准确率近100%（宏查准、宏召回、宏F1均极高），SERCA与MK连续误差稍大但仍远小于取值域；“误差分布可视化”通过小提琴图与混淆矩阵表明连续参数估计聚于真值附近，SR与MK呈双峰（主峰微偏、次峰为误估其他离散取值），离散参数几乎无错分；“噪声鲁棒性”实验在合成心电叠加标准正态缩放噪声（≤0.03mV符合IEC 60601-1-2-25）时性能基本保持，工频干扰（50/60Hz）下信噪比降至15dB仍较稳健，说明仅合成数据训练的模型对轻度真实噪声有一定容忍。

讨论部分总结：该方法有望让医学专家结合已知生理知识从心电图反推兴奋-收缩相关关键分子异常，指导靶向药物或基因干预，并发现未知波形-参数关系；但局限在于仅用确定性合成数据，缺真实波动与个体异质性，存在过拟合风险，且真实“心电图-心脏参数”配对活体测量不可行。结论部分译文如下：研究人员开发了基于深度神经网络（DNN）的方法，以心电图为输入输出表征心脏内部状态及心电图生成因素的微观心脏参数，实验确认可正确估计这些参数；据研究所知，这是同时全面估计多个微观心脏参数的新颖尝试。未来挑战在于验证其对真实心电图的正确性，该方法有望用于早期诊断与医学研究，特别是分析心脏以外各器官信号与参数的关系。