《Journal of Cardiovascular Electrophysiology》：Large Language Model-Based Localization of Premature Ventricular Contraction Origins: A Retrospective Diagnostic Accuracy Study
编辑推荐：
背景：从12导联心电图（ECG）精确定位室性早搏（PVC）起源对于导管消融的术前规划至关重要。尽管基于卷积神经网络（CNN）的模型已显示出有前景的诊断性能，但它们需要特定任务的训练，且在可解释性方面仍存在局限。研究人员评估了基于大语言模型（LLM）的ECG图像
背景：从12导联心电图（ECG）精确定位室性早搏（PVC）起源对于导管消融的术前规划至关重要。尽管基于卷积神经网络（CNN）的模型已显示出有前景的诊断性能，但它们需要特定任务的训练，且在可解释性方面仍存在局限。研究人员评估了基于大语言模型（LLM）的ECG图像解读是否能够从12导联ECG图像中实现左-右二元PVC起源定位，同时提供可追溯的诊断过程。
方法：研究人员回顾性研究了157例成功接受PVC或特发性室性心动过速导管消融的患者。根据最终成功消融部位，ECG图像被分类为右室起源（n=103）或左室起源（n=54）。比较了三种方法：基于CNN的基线模型、基于LLM的一次性方法，以及基于LLM的分阶段提取框架与确定性规则集成。性能通过五个独立种子的阳性预测值（PPV）、阴性预测值（NPV）、召回率以及PPV+NPV进行评价。
结果：基于CNN的基线模型实现了0.546±0.058的PPV和0.793±0.047的NPV，曲线下面积（AUC）范围为0.595至0.730。分阶段提取框架生成了一个连续的基于规则的评分，其判别能力在数值上与CNN模型相当（AUC 0.720±0.045 vs. 0.712±0.054）。从训练数据中确定的更严格阈值提高了PPV，但以牺牲召回率为代价，并且需要对这一工作点进行前瞻性外部验证。
结论：基于LLM的分阶段提取展示了从12导联ECG图像实现左-右二元PVC起源定位的潜力，同时提供了可追溯的逐步诊断过程。连续的基于规则的评分显示出与CNN模型数值上相当的判别能力，而使用训练数据确定的严格阈值识别了一个潜在的高PPV工作点，该工作点需要前瞻性外部验证。
**研究背景与问题**
室性早搏（PVC）是一种常见心律失常，高负荷时可导致心动过速性心肌病并诱发室颤等致命性心律失常，因此需适当治疗干预。导管消融是PVC的重要治疗手段，根据起源部位不同可达到高治愈率。由于左侧结构起源的室性心律失常消融手术并发症风险高于右侧，术前区分左、右侧起源对临床决策和确定治疗指征至关重要。尽管经验丰富的临床医生常能根据特征性心电图（ECG）表现推断起源，但非专科医生对详细形态学解读仍存在困难，构成临床局限性。近年来，人工智能（AI）在心血管医学中的应用日益增多，尤其是基于卷积神经网络（CNN）的深度学习方法在ECG图像识别PVC流出道起源方面已报道约90%的准确率，但CNN模型在有限数据集上训练时易过拟合，且可解释性固有不足，即使采用梯度加权类激活映射（Grad-CAM）等可视化技术，其决策过程仍不易直观理解。相比之下，大语言模型（LLM）如ChatGPT和Gemini等无需额外模型训练，即可基于结构化文本输入进行概率推理，并能通过结构化逐步推理过程提供诊断支持，有望克服CNN方法的局限。然而，关于LLM分析ECG图像的研究报道较少。本研究旨在探索一种基于结构化提示的LLM方法，应用于ECG图像数据以实现PVC起源（右侧 vs. 左侧）定位，并与CNN方法进行对比。该研究发表在《Journal of Cardiovascular Electrophysiology》。
**主要关键技术方法**
研究人员回顾性纳入157例成功接受导管消融的PVC或特发性室性心动过速（VT）患者（来自日本埼玉医科大学国际医疗中心，2007年4月至2025年8月），根据最终成功消融部位分为右室起源（n=103）和左室起源（n=54）。主要方法包括：(1) 基于CNN的基线模型：采用ResNet-18架构，通过SimCLR自监督学习（SSL）预训练ECG图像权重，后进行监督微调；(2) LLM一次性方法：通过单次API调用直接输入ECG图像，集成五个诊断步骤（图像质量评估、PVC搏动识别、V1极性评估、胸前导联移行分析、额面电轴评估），由多数投票逻辑确定最终分类；(3) LLM分阶段提取框架：将诊断过程分解为四个独立阶段（与一次性步骤类似但顺序化），每个阶段输出转换为数值特征，通过确定性规则集成生成连续评分，并设定基线阈值（评分<0为左室起源）和严格阈值（从训练数据中选取使PPV最大化的评分≤-5）。性能通过5个独立种子的分层随机分割（测试集20%）进行评估。
**研究结果**
**3.1 基于CNN方法的预测性能**
CNN基线模型取得PPV 0.546±0.058、NPV 0.793±0.047，AUC范围为0.595至0.730，表明模型在不同种子下表现一致。配对DeLong检验显示与LLM方法之间AUC无统计学显著差异（p值范围0.264~1.000）。
**3.2 基于LLM方法的预测性能**
LLM分阶段提取框架的连续规则评分AUC为0.720±0.045，与CNN模型数值相当（0.712±0.054）。分阶段提取在所有评估参数上均优于一次性方法。严格阈值（评分为≤-5）提高了PPV（0.817±0.153）但降低了召回率（0.309±0.093），指示高PPV工作点而非整体判别优势。CNN模型在NPV和召回率上最高，显示对多数类的稳健检测能力。规则分类器的评分分布呈双峰模式，约21%病例分布在-5至0之间，代表最难诊断的灰色区域，解剖上主要为近室间隔的右室流出道（RVOT）或主动脉瓣冠窦区域。
**3.3 LLM分阶段提取代表性案例**
在成功识别起源的案例中，步骤1准确定位PVC，后续步骤通过胸前导联移行正确估计右室起源，且每个阶段推理明确。在误分类案例中，模型错误地将窦性心律的V1负向主波当作PVC特征，导致预测错误，显示LLM可能聚焦于错误心搏。
**讨论与结论**
**主要发现**：(1) LLM基于ECG的预测模型基本可行，无需大规模任务特定训练即可实现PVC左右室二元分类；(2) LLM框架使分类标准显式化，比CNN方法可解释性更强；(3) 分阶段提取结合显式中间输出和确定性集成，比一次性方法获得更优的高PPV工作点。临床意义：LLM方法作为非专科医生的初步筛查工具具有潜力，但需前瞻性外部验证，且灰色区域应视为“不确定”并强制专家审核。局限性：单中心回顾性、样本量小、缺乏外部验证、分类仅分左右侧、未评估更精细解剖定位、ECG为静态图像而非原始信号、严格阈值未前瞻性验证等。
**结论翻译**：基于LLM的分阶段提取展示了从12导联ECG图像实现左-右二元PVC起源定位的潜力，同时提供了可追溯的逐步诊断过程。连续的基于规则的评分显示出与CNN模型数值上相当的判别能力，而使用训练数据确定的严格阈值识别了一个潜在的高PPV工作点，该工作点需要前瞻性外部验证。
