《Frontiers in Physiology》：Explainable deep learning-based classification of Wolff-Parkinson-White electrocardiographic signals
编辑推荐：
中文摘要翻译：
摘要
引言： Wolff-Parkinson-White（WPW）综合征是一种心脏电生理（EP）疾病，由绕过房室结的旁路（AP）引起，导致心室激活速度加快，并为房室折返性心动过速（AVRT）提供基质。准确定位AP对于规划和指导导管消融手术至关重
中文摘要翻译：
摘要
引言： Wolff-Parkinson-White（WPW）综合征是一种心脏电生理（EP）疾病，由绕过房室结的旁路（AP）引起，导致心室激活速度加快，并为房室折返性心动过速（AVRT）提供基质。准确定位AP对于规划和指导导管消融手术至关重要。虽然传统的诊断决策树（DT）方法和较新的机器学习（ML）方法已被提出用于从体表心电图（ECG）预测AP位置，但这些方法通常受限于解剖定位分辨率不足、可解释性差以及临床数据集规模较小等问题。
方法： 在这项初步的患者特异性研究中，研究人员提出了一种深度学习（DL）模型，用于在24个心脏区域中定位单个显性AP。该模型基于使用个性化虚拟心脏模型生成的大型、生理学真实的合成ECG数据库进行训练。研究人员还将可解释人工智能（XAI）方法（包括Guided Backpropagation、Grad-CAM和Guided Grad-CAM）集成到分析流程中，从而能够解读DL的决策过程，并解决临床采用的主要障碍之一：ML预测缺乏透明度。
结果： 在所考虑的单一心脏几何模型上，该模型的定位准确率超过94%，平均F1分数超过93%。XAI输出结果已根据已知的去极化模式进行了生理学验证，并引入了一个新指标来识别对AP定位最具信息量的ECG导联。
讨论： 结果表明，导联V2最为关键，其次是左心室（LV）中的aVR和aVL，以及右心室（RV）中的V1。这项工作证明了将心脏数字孪生与可解释DL相结合，能够实现准确、透明且无创的AP定位。
论文主体解读文章
一、研究背景与问题
Wolff-Parkinson-White（WPW）综合征是一种由房室间存在至少一条绕过房室结的旁路（AP）所引发的心脏电生理（EP）异常。该旁路使心房激动绕过正常传导路径直接下传至心室，导致心室预激，并为房室折返性心动过速（AVRT）提供基质，严重时可引发室颤甚至猝死。射频导管消融是首选治疗手段，但约6%的消融手术仍以失败告终。因此，术前准确定位AP对手术规划、缩短操作时间及降低风险至关重要。
传统上，AP定位依赖于体表心电图（ECG）的形态学特征分析，多采用诊断决策树（DT）算法，如Arruda等人（1998）及El Hamriti等人（2023）提出的算法。这些算法通过评估δ波或QRS波群在特定导联的极性，将AP归入沿二尖瓣（MV）或三尖瓣（TV）瓣环的预设解剖区域。然而，此类方法存在显著局限：其一，仅考虑AP的环向（rotational）位置，忽略了纵向（apico-basal）位置，导致定位分辨率粗糙；其二，人工判读复杂耗时，观察者间差异大，预测准确性有限。近年来，机器学习（ML）和深度学习（DL）方法被引入该领域，如Senoner等人（2021）和Hennecken等人（2025）的研究，但受限于临床数据集规模小、解剖分类粗糙，且模型被视为“黑盒”，缺乏透明度，阻碍了临床采纳。此外，现有研究尚未将可解释人工智能（XAI）技术应用于WPW综合征的AP定位任务。
二、研究内容与意义
为克服上述局限，研究人员基于Gillette等人（2025）构建的虚拟心脏模型数据库，提出了一种结合DL与XAI的AP定位方法。该研究利用单个健康受试者的心脏数字孪生模型，生成包含8842条12导联ECG的合成数据集，覆盖左心室（LV）和右心室（RV）各12个、共24个解剖区域，同时考虑环向和纵向位置，实现了比传统方法更精细的定位。研究训练了三种不同输入格式的全卷积网络（FCN），并采用Guided Backpropagation、Grad-CAM和Guided Grad-CAM三种XAI方法解释模型决策。结果显示，最佳模型在24区域分类中准确率超过94%，平均F1分数超过93%。XAI分析揭示了导联V2在AP定位中最为关键，其次为LV中的aVR、aVL和RV中的V1，而传统DT常依赖的导联I和II信息量较低。该研究首次将XAI引入WPW综合征AP定位，结合心脏数字孪生生成大规模合成数据，为准确、透明、无创的AP定位提供了新途径，具有重要的临床转化潜力。
三、关键技术方法
研究人员采用了以下核心技术方法：1）基于心脏数字孪生的合成ECG数据集生成：利用单一个体四腔心脏及躯干模型，通过生理约束生成8842条12导联ECG，按通用心室坐标（UVC）划分为24个区域；2）三种全卷积网络（FCN）架构：分别为单通道1D核（堆叠导联）、多通道1D核（每导联一通道）和单通道2D核（ECG视为图像），均含3个卷积块、批归一化（BatchNormalization）、ReLU激活和全局平均池化（GAP）；3）可解释人工智能（XAI）方法：包括Guided Backpropagation、Grad-CAM及二者结合的Guided Grad-CAM，用于生成显著性图；4）新提出的导联重要性指标：用于量化各导联在模型决策中的贡献；5）与传统DT算法（EASY-WPW和Arruda算法）的比较，采用McNemar精确检验进行统计学评估。
四、研究结果
4.1 分类准确率（Section 3.1）
研究人员训练并比较了三种FCN架构在24区域AP定位任务上的表现。结果显示，采用2D卷积核、将ECG视为图像的模型表现最佳，定位准确率超过94%，平均F1分数超过93%。该模型还被进一步用于XAI分析，因为2D核结构允许计算导联特异性的特征相关性。与传统DT算法（EASY-WPW和Arruda算法）相比，该DL模型在重新分组后的数据集上表现出更优的分类性能，且差异具有统计学显著性。
4.2 XAI输出的生理学解释（Section 3.2）
研究人员对正确分类的测试样本进行了XAI分析。通过Guided Grad-CAM生成的显著性图，研究人员在每个区域内聚类了相似的XAI输出，并将其与AP引起的去极化模式的电生理学观察结果进行对比。结果显示，模型关注的ECG特征与已知的WPW综合征心室预激去极化模式具有生理学一致性，表明模型的决策过程具有生理学合理性。该分析由具有WPW综合征专业知识的心脏病专家独立审查确认。
4.3 导联重要性指标（Section 3.3）
研究人员提出了一种新指标来总结XAI结果，以识别对AP定位最具信息量的ECG导联。全局分析表明，导联V2在LV和RV的AP定位中均为最关键导联，其次为LV中的aVR和aVL，以及RV中的V1。值得注意的是，传统DT算法中常用的导联I和II在模型决策中的重要性较低。这一发现与Gillette等人（2025）的模拟研究结果一致，提示现有临床算法可能过度依赖信息量较低的导联。
五、讨论与结论
讨论部分指出，该研究结果初步证明了将心脏数字孪生与可解释DL相结合，能够实现准确且透明的AP定位，其性能优于传统DT和现有ML方法。导联V2的关键作用与既往计算模型研究一致，提示该导联可能对AP定位具有特殊诊断价值。然而，研究存在明显局限：所有数据均来自单一心脏几何模型，缺乏真实临床ECG验证；合成数据可能无法完全反映真实患者的信号变异性和噪声特征。因此，结果应视为初步探索，需在更大规模、更多样化的临床数据集上进一步验证。
研究结论部分总结：本研究基于高保真合成数据集，开发并验证了一种结合XAI的DL模型，实现了对24个心脏区域AP的准确定位，准确率超过94%，F1分数超过93%。XAI分析揭示了导联V2在AP定位中的关键作用，并验证了模型决策的生理学一致性。该工作展示了心脏数字孪生与可解释DL结合在实现准确、透明、无创AP定位方面的潜力，为未来临床应用奠定了基础，但需更多真实世界数据确认其稳健性和泛化能力。
