基于全球异质心电图数据训练的Transformer AI模型在年龄估计与心血管衰老加速评估中的泛化性及生理可解释性研究

《European Heart Journal - Digital Health》：Explainable Age Prediction Using a Transformer Trained on Diverse Global Electrocardiograms

　　

摘要

目的

基于心电图（ECG）训练的的人工智能（AI）模型可以估计年龄，其与时间年龄的偏差（Δage）可作为心血管衰老加速的标志物。我们评估了基于全球多样化、异质心电图数据集训练的Transformer类AI模型在泛化性和生理可解释性方面是否优于CNN类模型。

方法与结果

使用来自四个大洲的11个公开数据集（435,203条记录）和一个独立的外部队列（14,462条记录），我们训练并验证了Transformer和CNN架构。基于全球数据训练的Transformer模型与时间年龄实现了强相关性（r = 0.90），并在外部队列中保持了稳健性能（r = 0.88），优于基于全球数据训练的CNN模型以及仅在同质化人群队列上训练的模型。Δage≥+8年的人群表现出死亡率风险翻倍（HR = 2.08，95% CI 1.93–2.24）。可解释性分析发现P波，特别是V1导联，是年龄预测的主要贡献因素，这与已知的与心房重构和衰老相关的电生理变化一致。模型对早期心房传导特征的归因在不同年龄层中保持一致，在中青年期（30–50年）达到峰值，并与疾病负担（包括高血压和吸烟）呈正相关。

结论

我们的研究结果表明，基于全球异质数据训练的Transformer模型具有良好的泛化能力，并能为合理的衰老特征提供见解。此外，Δage可能有助于了解潜在的生理衰老过程及其相关风险，但仍需进一步验证以确定其在风险分层中的临床实用性。

图形摘要

在新标签页中打开下载幻灯片