《Diagnostics》：Deep Learning Applied to 12-Lead ECGs for Detection of Structural, Metabolic and Systemic Disease
编辑推荐：
12导联心电图(ECG)价格低廉、无创且广泛可及，但常规判读可能无法捕捉与心脏结构、全身生理和未来风险相关的细微信号。本综述探讨了超越传统心律失常检测的深度学习心电图分析应用，并评估了这些应用的成熟度、临床相关性和实施挑战。本叙述性综述整合了人工智能心电图(A
12导联心电图(ECG)价格低廉、无创且广泛可及，但常规判读可能无法捕捉与心脏结构、全身生理和未来风险相关的细微信号。本综述探讨了超越传统心律失常检测的深度学习心电图分析应用，并评估了这些应用的成熟度、临床相关性和实施挑战。本叙述性综述整合了人工智能心电图(AI-ECG)模型在结构、代谢、全身及预后评估方面的里程碑式研究、外部验证队列、实用性实施试验和近期研究，特别关注模型性能、验证、临床可操作性及转化障碍。AI-ECG模型已展示出检测左心室射血分数降低、肥厚型心肌病、瓣膜性心脏病、心脏淀粉样变、肺动脉高压、高钾血症及其他钾代谢紊乱、甲状腺功能亢进、贫血和脓毒症的能力，并可估算生物学年龄和死亡风险。证据最成熟的领域是左心室射血分数降低的筛查，其得到大型推导队列、外部验证、预后随访和EAGLE实用性试验的支持。许多其他应用的证据仍为回顾性或探索性，存在参考标准、泛化性、校准、疾病患病率、可解释性以及缺乏明确临床路径等方面的局限。AI-ECG有潜力将心电图从常规诊断检测扩展为筛查和决策支持平台。其近期角色是识别可能受益于确证性影像学检查、实验室检测、心律监测或专科评估的患者。更广泛的应用将需要前瞻性验证、工作流程整合、亚组评估、部署后监测、监管监督，以及AI指导的诊疗能够改善结局的证据。
1. 引言
12导联心电图(ECG)价格低廉、无创且广泛可及，传统上用于心律失常、心肌缺血与梗死、起搏器功能及电解质异常等评估。但常规判读依赖预设波形特征和规则模式识别，可能遗漏更细微的生理与病理信号。人工智能(AI)尤其是深度学习可从大型数据集中识别复杂模式。本综述聚焦于心律失常之外的结构、代谢和全身性AI-ECG应用。
2. 深度学习如何从ECG中提取额外信息
2.1 传统心电图判读
传统判读分析心率、P波、PR间期、QRS波群、电轴、ST段、T波和QT间期等预设特征。计算机分析同样受限于预设规则，可能忽略与心脏结构、功能和全身生理相关的弥漫或细微信号。
2.2 深度学习
深度学习模型直接从原始ECG信号学习，无需人工特征选择，可实现端到端模式识别，分析整个波形并检测跨导联的细微模式，从而发现常规判读难以察觉的临床相关信息。
2.3 AI-ECG中使用的深度学习架构
卷积神经网络(CNN)占主导，残差网络和ECG12Net等采用密集连接和注意力机制。架构差异影响特征提取、计算需求和可解释性；但研究间目标、数据、样本量和验证策略差异大，尚不能确定普遍最优架构。
3. 建立该领域的里程碑研究
3.1 左心室功能障碍检测
2019年Attia等利用超过4.4万例患者训练CNN检测左心室射血分数(LVEF)≤35%，测试集超过5.2万例，曲线下面积(AUC)为0.93，敏感性86.3%，特异性85.7%。LVEF保留但AI-ECG阳性者随访中更易发生心室功能障碍，提示可识别亚临床疾病。
3.2 未来心房颤动预测
Attia等证明窦性心律标准12导联ECG可经AI识别心房颤动(AF)相关潜在模式，提示存在心房重构或电学脆弱性的潜在信号。Raghunath等进一步显示预测未来AF可富集AF相关卒中风险人群，但仍需前瞻性研究。
3.3 高钾血症及其他全身性疾病检测
Galloway等用仅I、II导联的深度学习模型筛查高钾血症，训练超150万ECG，验证AUC 0.853-0.883。后续扩展到12导联低/高钾血症检测、即时钾估算及严重血钙异常检测。
4. 心律失常之外的当前临床应用
4.1 心室功能障碍与心力衰竭
社区和急诊呼吸困难人群研究支持AI-ECG用于亚临床心室功能障碍筛查和分诊。EAGLE实用性整群随机试验显示，在初级保健中提供AI-ECG结果可提高90天内新发低射血分数诊断率和AI阳性
