基于端到端深度学习的电心图分析技术，用于检测肥厚型心肌病

《npj Digital Medicine》：End-to-end deep learning–based electrocardiographic analysis for the detection of hypertrophic cardiomyopathy

　　

摘要

肥厚型心肌病具有多样的临床特征，因此常常导致诊断不足或误诊，尤其是在与其他左心室肥厚病因以及不同亚型的肥厚型心肌病进行区分时。尽管心电图检查应用广泛且灵敏度较高，但其较低的特异性限制了其作为独立诊断工具的效力。我们开发了一种基于深度学习的模型，利用标准的12导联心电图同时筛查左心室肥厚、区分肥厚型心肌病与类似疾病，并对主要亚型进行分类。该研究通过构建一个端到端的层次化智能框架来模拟临床诊断流程，将三个关键的临床决策阶段整合到一个统一的模型中。该模型在来自三个中心的11,290名患者的12,618份心电图数据上进行了训练，在内部测试集中表现优异[各阶段的AUROC值分别为：0.97（0.96–0.98）、0.93（0.89–0.96）和0.85（0.76–0.92）]，在两个独立的外部测试集中也保持了稳定的性能（FAHGMU队列：各阶段的AUROC值分别为0.94、0.87和0.89；FAHXMU队列：各阶段的AUROC值分别为0.92、0.80和0.83）。显著性分析表明，模型的预测结果依赖于具有生理意义的心电图区域。这种基于心电图且可解释的方法有助于在多种临床环境中实现肥厚型心肌病的标准化分层及早期特征识别。