心電監測在心血管疾病診斷、預防、康復中具有重要的臨床價值。隨著物聯網、大數據、云計算、人工智能（AI）等科技的快速發展，穿戴式心電正扮演著越來越重要的角色。伴隨人口老齡化進程加劇，心血管病防治模式升級愈發緊迫，利用AI技術輔助臨床解析長程心電進而提高心血管病早期檢測和風險預警能力，成為智慧醫療領域的一個重要方向。穿戴式心電智能監測需要監測終端和云端的協同智能，同時醫療應用場景的明確有助于穿戴式心電監測的精準實施。本文首先總結了心電領域相關的AI技術研究和應用進展，然后通過三個案例闡述了穿戴式心電監測中AI計算如何與臨床進行協同，最后探討了心電AI研究的兩個核心問題——AI技術的可靠性和價值，并展望了心電AI發展的機遇和未來挑戰。
引用本文： 王星堯, 李茜, 馬彩云, 張鑠, 林鈺潔, 李建清, 劉澄玉. 穿戴式心電監測中的AI計算. 生物醫學工程學雜志, 2023, 40(6): 1084-1092, 1101. doi: 10.7507/1001-5515.202301032 復制
版權信息： ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有，未經授權不得轉載、改編
0 引言
世界衛生組織2021年發布的數據顯示，全球每年約有1 790萬人死于心血管疾病，占死亡總數的32%，排名第一[1]。《中國心血管健康與疾病報告2020》指出，我國心血管病患者已達3.3億[2]，老齡化進程的加速發展以及居民生活方式的變化，將進一步推高我國心血管病的發病率和死亡率，加重醫療資源的負擔。在心血管疾病防控形勢愈發嚴峻的當下，如何利用快速發展的人工智能（artificial intelligence，AI）技術，發揮醫工交叉優勢，提升疾病智能化診療和風險管控水平，特別是在新冠疫情等重大突發性公共衛生事件背景下，減輕醫生負擔，提高疾病防治效率，減少醫療資源浪費，已成為我國國民經濟發展的重大戰略課題[3]。
近年來，AI技術的發展對推進心電大數據信息挖掘和輔助診斷起到了重要作用。圖1展示了自第一張心電圖（electrocardiogram，ECG）采集之后，AI和心電采集設備的發展脈絡，值得注意的是穿戴式心電監測設備，尤其是單導心電貼呈現井噴態勢。伴隨心電采集設備和監測場景的豐富，一些舊問題愈發明顯，例如偽差和噪聲干擾，同時新的應用場景也催生了針對心電分析的新需求，比如長程監測中抓取有效心電片段和異常捕捉、居家監測中對包括心電的多模態生理信號的融合等。本文首先概述了當前AI技術在心電輔助診斷領域的研究進展，而后從三個典型應用案例說明AI技術改變了穿戴式心電和臨床的聯動，最后對該領域尚待解決的問題進行剖析并展望穿戴式心電AI的發展趨勢。
圖1
AI與心電監測技術和產品發展脈絡圖
Figure1.
Development diagram for the technology and product of AI and ECG monitoring
1 心電領域的AI研究與應用
1.1 AI與心電的結合
自1956年達特茅斯會議首次提出至今，AI已經發展了60多年。發展早期由于算力等因素的限制，AI主要發展方向為專家系統[4]，處理過程需首先根據先驗知識與經驗手動提取有效特征并根據特征進行決策判斷。然而，這對專業知識要求較高且泛化性較差。隨著算力等限制因素得到逐步改善，數據驅動的方式漸漸成為主流。此類算法本質是通過對足夠大樣本量的數據進行訓練，自動提取有用特征信息進行決策判斷。近年來，基于此策略的深度學習（deep learning，DL）風靡一時。例如，2012年Geoffrey Hinton團隊[5]在ImageNet上首次使用DL進行圖像分類并完勝其他團隊。然而，DL算法仍然面臨如模型可解釋性不強、泛化性不高、對數據的質量與數量要求高等難點。對此，如今的研究也提出許多細支領域（可解釋性學習、魯棒學習、小樣本與零樣本學習等）來解決相應挑戰。
AI技術很早就應用于臨床心血管病檢查。早期人們使用決策樹、logistic回歸等方法輔助醫生決策，例如預測急性冠脈綜合征患者臨床預后的風險[6]。ECG可以反映心臟周期性電活動變化，被廣泛應用到臨床疾病診斷。Holter和穿戴式心電監護由于記錄時間較長，心電數據量大，傳統機器學習（machine learning，ML）處理時一般首先降低數據維度，提取少量信號特征作為診斷參考，同時大部分的心電特征需要人為標注。
近年來DL在圖像和語音識別領域的成功為AI分析穿戴式心電提供了參考。2018年吳恩達教授團隊基于53 549位患者的91 232條心電標注數據開發了一種針對單導心電的多種節律異常識別的DL模型[7]。之后從2019年至今，以蘋果和華為智能手表采集的單導心電為基礎來探索結合穿戴式生理信號監測的房顫（atrial fibrillation，AF）管理模式的研究相繼出現[8-9]，每一項研究都采用同步的植入式心電監測設備或Holter采集的心電作為AF事件發生標注的金標準。由此可見，作為數據驅動的算法，DL需要帶有高質量標注信息的心電數據庫作為支撐，因此心電數據庫建設尤為重要。
1.2 心電數據庫的發展
在實際24 h動態監測應用中，ECG分析和診斷的準確性不夠理想，關鍵在于絕大多數心電算法是基于MIT-BIH等臨床靜態數據庫分析發展而來的，這些信號質量相對較高，但與真實動態監測環境情況不同。因此，建設面向真實日常監測場景的動態心電數據庫，進行數據庫節律和形態特征的標注和開源工作勢在必行。
國外常見的動態心電數據庫包括Sudden Cardiac Death Holter Database[8]、INCART和Icentia11K。國內東南大學劉澄玉教授團隊依托中國生理信號挑戰賽（China Physiological Signal Challenge，CPSC）建設了面向各個任務的心電數據庫，如CPSC2019發布2 000條高難度QRS檢測的動態心電數據[10]；隨后CPSC開始發布面向特定任務的精標動態心電數據庫，如2020年發布的長程單導早搏檢測數據庫和2021年發布的二導聯陣發性房顫（paroxysmal atrial fibrillation，PAF）定位數據庫。表1匯總了可獲取的開源動態心電數據庫。
表1
動態心電數據庫匯總
Table1.
Summary of dynamic ECG database
1.3 心電分析中的AI技術路線
針對心電分類，AI研究有兩條技術路線（見圖2），一條是構建端到端DL模型，目前多數研究都遵循該路線。雖然技術核心是基于DL的有監督學習，但是研究者們會結合心電特性設計使用上下文信息的網絡結構，并在模型中引入局部和全局特征的融合機制。不僅如此，人們開始意識到DL的瓶頸在心電分類任務中同樣明顯，比如數據的長尾分布問題、多標簽問題、混淆數據帶來的臟標簽問題[11-12]以及分布外數據的檢出問題等。同時，由于心電分類任務的臨床屬性，人們更希望在獲取診斷結果的同時能回溯模型的判別依據，通過反卷積等技術反演跟蹤深度網絡內部對數據的高維表達，但這種高維表達目前還難以被直觀理解。
圖2
目前心電AI研究的兩條主要技術路線
Figure2.
Two main technical routes of AI research for ECG analysis at present
第二條路線是先對心電做語義解析，量化心電特征，再以心電特征為基礎開發自動化診斷方法。這類方法的本質是將臨床中醫生對心電的解析任務用自動化的方式復現，讓醫生在審查心電自動化診斷結果的同時，回溯作為高級診斷任務依據的低級特征。解析的第一步是對心電進行語義分割。如圖2所示，一個完整心拍被分割為五部分特征：P波、QRS波群、ST段、T波和TP段。對于穿戴式心電，由于噪聲干擾和個體變異等影響，精準的特征分割極具挑戰。傳統方法立足于對心電子波形態特征和節律信息的提取，并設定規則定位子波。近兩年的研究證明，基于規則的方法對復雜心電解析的性能遠遠低于有監督學習的方法。以基礎的QRS波群定位為例，相比基于規則的方法，基于DL模型的算法性能提升接近一倍[13]。
語義分割是解析心電其他特征的基礎，即便獲取絕大多數特征，如何推理建立異常映射模型依然存在挑戰。此類工作可以參考醫學專家系統，該系統通過建立臨床知識圖譜，實現患者個體化分析。拓展到心電自動化分析，我們首先基于心電信號分割結果提取臨床醫生觀察ECG的經驗信息，比如PR間期、QRS波群形態、ST-T段形態、P波持續時間、電軸偏轉等，并進一步與患者性別、年齡、身高、體重等信息共同組成患者個體檔案信息。通過使用注意力機制[14]、因果網絡[15]等方法，關聯機器自動學習特征與疾病，建立醫務人員能理解的推理模型。
2 AI改變穿戴式心電與臨床的協作
如何串聯院內外生理監測一直是臨床重點關注的領域，從術前追蹤到術后隨訪，從慢病管理到異常捕捉，穿戴式設備解放了臨床監測患者的時間和場景約束。尤其是當前處于后疫情時代，為了避免院內發生聚集性感染并釋放醫療資源，國家正在引導對患者在居家或日常生活場景下實施易操作、低成本的生理數據監測。穿戴式設備采集的生理數據是長程且冗余的，且易受到強噪聲干擾，單純依靠人工捕捉穿戴式設備數據異常是不可實現的，只能依靠自動化算法。AI技術則是目前分析穿戴式數據的研究重點，以數據為驅動的DL方法可以充分利用穿戴式設備提供的時序大數據。強噪聲干擾在過去需要挖掘和建模目標信號的特性才能避免，并且有性能上限，而對于AI技術，合理利用噪聲有利于模型自學習到目標數據的本質屬性[16]。
心電監測是心血管疾病篩查和心肺慢病管理的必要環節。穿戴式心電分析算法的發展可以分為兩個角度：一是垂直應用穿戴式心電篩查心血管疾病，最典型的臨床應用是針對AF患者的術后隨訪和預后管理；二是將心電視為穿戴式監測的一環，將之與其他同步生理信號融合分析，橫向擴展其他監測領域。由于心電采集成本低且直接反映心臟電生理活動，與其他生理信號如呼吸、血氧、心音等存在強關聯，因此心電采集與其他傳感集合輸出的同步多模生理數據可以更全面地反映被測人的心肺循環、運動耐力和心腦血管狀態。本章節選取了三個典型場景描述穿戴式心電及AI技術在臨床中的作用，分別為AF管理、CHF干預和睡眠監測。
2.1 房顫管理
作為常見心率失常現象，AF具有廣泛的臨床表現，常與心力衰竭（congestive heart failure，CHF）、腦卒中等疾病相關。目前AI管理AF主要體現在AF復發和相關疾病得病率預測兩方面，可通過心臟植入式電氣設備或穿戴式無創心電監測設備監測AF患者，其中穿戴式設備可以反饋AF持續時間和發生次數，是一種廉價、無創的AF管理方法。
AF篩查是目前大部分穿戴式心電監測設備的重點功能模塊，華為和蘋果公司針對智能手表中的心電甚至脈搏波監測都做了AF檢測的拓展，因此也涌現了大量基于穿戴式心電的AF篩查研究。其中由于PAF隱匿性高，準確檢測PAF對于AF的治療方案至關重要。目前有很多成熟的AF識別算法，如基于P波形態信息和基于RR間期節律信息判斷AF[17]，以及基于DL的AF識別算法[18]。Babaeizadeh等[19]使用P波和RR間期特征訓練了一個決策樹分類器，實現了92%的靈敏度和97%的陽性預測率。Mohebbi等[20]提出了一種基于支持向量機（support vector machine，SVM）、光譜特征和非線性特征的AF檢測器，實現了96.30%的靈敏度和92.86%的陽性預測率。在日常心電監測環境下，建立一個有效的AF負荷量化模型需要構建穿戴式AF心電數據庫并采用先進的ML方法[21]，能夠在長程穿戴式心電數據中準確評估AF類型及其嚴重程度，用于AF患者術前評估和術后連續跟蹤，從而緩解醫生在AF管理中提取有效臨床信息的負擔。圖3展示了如何在長程單導心電中利用AF檢測來評估一個PAF患者的AF負荷。
圖3
陣發性房顫患者長程單導心電數據中基于房顫定位的房顫負荷評估
Figure3.
AF burden assessment using AF localization in long-term single-lead ECGs of a patient with paroxysmal AF
影響AF復發率的原因主要是手術方案和患病程度[22]。在傳統靜態參數評分模型基礎上引入動態心電監測，連續監測AF負荷指標，建立融合靜態統計學信息和動態心電信息的AF復發風險評估模型，可充分利用長程心電數據信息而不僅是臨床參數，對臨床AF術后監管意義重大。
另外，通過AI技術可以分析AF相關疾病的患病風險。研究發現PAF患者腦卒中得病率高于非陣發性患者，低于持續性和永久性患者[23]，因此通過AI模型對AF事件進行識別和定位可用來評估PAF患者的腦卒中患病風險，有效降低腦卒中漏診率和誤報率[24]。如表2[13, 16, 21, 25-27]所示，包含或針對AF的心電數據庫不斷被公開，這是AI管理AF的數據基礎，通過模式識別技術以及早期診斷干預，有可能更好地對臨床AF等慢性病實施個性化治療。
表2
房顫心電數據庫匯總
Table2.
Summary of AF ECG database
2.2 心衰干預
目前全球有超過6 000萬充血性CHF患者，即慢性CHF，多數由于心室的泵血和充盈能力不足導致。大多數CHF患者有心臟病病史，針對病因治療將顯著改善CHF預后，其中收縮性CHF常見病因是冠心病，積極重建血運可防止CHF惡化；舒張性CHF常見病因是高血壓，控制血壓極其重要，否則可能誘發急性CHF。由于慢性CHF需要長期管理，因此治療CHF的目標不僅要改善癥狀，還要針對心肌重構的機制，延緩和防止心肌重構的發展，降低CHF的住院率和死亡率。
常見的CHF篩查手段包括超聲心動圖、心臟磁共振和管狀血管造影術，此類方法往往操作復雜，不適用于慢性CHF患者的居家管理。目前的研究提出多種基于ECG的CHF檢測和分類算法。Kamath[28]和Acharya等[29]分別使用去趨勢波動分析和11層卷積神經網絡（convolutional neural network，CNN）來區分正常人和CHF患者的ECG，并在PhysioNet數據庫上進行測試，測試了3 510個正常竇性心律片段和同等數量的CHF片段，分別達到了98.2%和98.97%的準確率。Darmawahyuni等[30]建立了基于長短期記憶遞歸神經網絡（long short term memory，LSTM）的循環神經網絡（recurrent neural networks，RNN）模型，在包含來自290名患者的549個記錄的PTB數據庫上進行測試，識別CHF的準確率高達99.86%。雖然去趨勢波動分析能通過直觀的方式評估心電的內在復雜性，包括提取心電的非線性和穩定性特征，但在性能上很難超越可以提取高維特征并能夠捕獲信號長程時間依賴性特征的CNN和RNN模型。在實際基于ECG的CHF篩查任務中，可被臨床接受的生理指征更重要，而目前的DL模型無法提供，因此臨床應用中更需要一個綜合生理信號指標提取和深度學習的方法。
慢性CHF患者的臨床癥狀之一為運動不耐受。研究證明，在全身運動中，心輸出量和氧氣輸送對CHF患者的運動耐受性有顯著影響。6分鐘步行測試被用來確定治療干預的效果和預后。盡管該測試容易進行，但仍需專業設備和人士進行分析，使用可穿戴式檢測設備可提供方便且持續的監測，從而更容易區分病情惡化和病情良好的患者（見圖4）。研究發現，對CHF患者進行遠程監測可以幫助減少因計劃外心血管原因導致的住院率和死亡率[31]。
圖4
通過穿戴式心電數據、活動數據和個人生理數據預測6分鐘步行測試結果
Figure4.
Prediction of the results of 6-minute walk test by wearable ECGs combined with activity and physiological data
穿戴式心電具有互聯性，可以產生和匯集多個傳感器的數據，為AI在CHF干預方面提供新的診斷、分類、風險分層和疾病管理見解，以提供更個性化和更具成本效益的治療方案。例如，合并來自多個傳感器的數據流，并使用來自ML模型的決策支持，通過不斷訓練和迭代，以超出人類準確度的水平來調整CHF治療方案中利尿劑的劑量。
2.3 睡眠監測
睡眠障礙已成為影響人們正常生活的重要因素之一。長期的睡眠障礙不僅會影響人體的各個主要系統，還會引發肥胖、糖尿病和神經精神疾病等醫學問題。因此，對睡眠結構進行精細化分析并評估睡眠狀態非常重要。
多導睡眠圖（polysomnography，PSG）是目前睡眠監測的“金標準”，包含同步腦電、眼電、心電、呼吸和血氧信號，可以用來進行睡眠分期并精細分析睡眠狀態。采集該信號時需要專業睡眠醫師在特定環境下對被測人進行操作，并嚴格按照Rechtschaffen & Kales睡眠分期規則記錄與分析。對比PSG，穿戴式生理信號監測佩戴舒適，且能做到日常監測，可還原睡眠受試者的真實睡眠狀態。相應的，一些采集代價高昂的生理傳感（腦電和眼電）會被丟棄，但是心電、呼吸和血氧等生理信號被集成進穿戴式設備中，同時由于穿戴和居家屬性，加速度計和聲音等數據也被用來作為綜合睡眠分析的補充[32]。
在睡眠監測場景下，穿戴式心電已成為多模態生理監測的一環（見圖5），雖然也存在僅利用心電數據做睡眠監測的研究，但僅使用心電數據會造成睡眠異常事件檢測功能的缺失。與之相反，基于穿戴式設備采集的多模態生理信號并結合其他生理特征為在長期睡眠監測中捕捉異常信號提供了一種低成本、易使用的方案。基于此，自動檢測睡眠狀態及時間的LSTM遞歸神經網絡[33]，以及通過結合多模式多視角的攝像機網絡和隱藏班馬爾可夫模型分析患者姿勢和量化姿勢運動動力學的MASH框架被提出。而針對睡眠呼吸暫停診斷，心電、血氧、鼻氣流的結合也使診斷變得更簡單方便。
圖5
睡眠監測中的多模數據傳感
Figure5.
Multi-modal sensing in sleep monitoring
作為特殊的RNN網絡，LSTM網絡能捕捉多模態信號的長期依賴關系和動態變化，同時具有較強的泛化能力和魯棒性，每個LSTM層對應一個輸入信號并學習該信號的時序特征，輸出一個隱藏狀態向量。不同層的隱藏狀態向量進行拼接或加權平均得到一個包含多模態信號共同信息的綜合特征向量，再使用全連接層或分類器處理得到最終決策結果，如睡眠質量評估或者睡眠階段劃分等。
MASH框架是基于服務網格的微服務平臺，能實現多模態信號處理任務的分布式部署，具有較高的可靠性和可觀測性。首先，將不同類型的信號分配給不同微服務，每個微服務可使用不同的編程語言和部署方式來處理信號，如特征提取等；接著利用框架提供的服務網格功能，實現微服務之間的通信和協作；再利用框架提供的服務治理功能，實現微服務之間的安全訪問和權限控制；最后，利用框架提供的監控能力實現微服務之間的數據采集和分析。
針對睡眠監測，AI首先可以幫助醫生進行睡眠障礙診斷[34]。這是通過將收集的傳感器數據轉換為預定義知識（如類別標簽）來實現的，為手動睡眠階段評分提供一種廉價且客觀的替代方案；其次，AI可以通過自動分析功能從可穿戴設備和移動應用程序收集的數據提供健康生活方式建議，使臨床醫生能夠跟蹤人們在家中睡眠模式的變化；或者與智能物聯配合，如通過調節燈光和溫度為患者提供更好的睡眠質量。
3 穿戴式心電終端側和云端側的AI
如何針對心電采用合適的信號處理方法并開發相應的特征解析和輔助診斷算法只是心電AI的一個方面，AI在某個領域的應用還需解決如何在垂直方向與特定行業相結合。對于心電監測，特別是穿戴式心電監測，終端側智能和云端側智能的開發看重的是分析時效與海量數據處理。在監測終端，當異常事件發生時，特別是急性心肌梗死等危險事件發生時，AI需要快速反饋響應、與醫療機構交互和確診異常事件，輔助醫生實施有效干預。在監測云端，海量數據存儲和處理也是一大挑戰。若按500 Hz采樣率，平均每人每日會產生大約4 000萬個采樣數據，5G時代的到來有助于解決大數據實時傳輸問題，但現有的云端服務器在性能上并不足以支撐大量人群監測并發產生的海量心電數據。為了解決問題，需要終端側智能和云端側智能的有效協同（如圖6所示）。
圖6
穿戴式心電終端側智能與云端側智能協同框架
Figure6.
Collaborative framework for the edge and cloud intelligence in wearable ECG monitoring
終端側技術重點是心電AI芯片的研究。長程心電監測要求終端硬件電路微型化、低功耗并具備實時數據分析能力，因此發展心電AI芯片是必然趨勢。目前對于通用AI芯片研究，Nvidia公司在Tensor Core基礎上，推出Jetson系列嵌入式AI芯片。Intel公司的Nervana系列神經網絡處理器、Google公司的TPU、Apple公司基于ARM架構的仿生芯片，以及華為公司的麒麟芯片都集成了AI處理功能。可以預見，隨著穿戴式技術的發展，未來大量的心電監測需求將從云端轉向終端，而AI芯片、物聯網和5G技術的發展均為終端的心電AI提供了更多技術條件。
云端側技術重點是時序數據AI處理模型和與模型適配的架構協議。數據從性質上分為靜態結構化數據（影像、生化數據）和動態時序數據（多數生理數據）。目前云端AI計算架構基本為分布式架構，包括以Python為基礎的前端描述模型、具備異構計算能力的后端引擎以及支持自動優化的計算框架等。對于云端心電AI，需要考慮數據存儲格式和數據AI模型設計。心電云作為醫療服務的專有云，需要多個醫院共享心電數據，但各醫院信息化軟件和數據存儲格式不統一，這需要廠家和相關部門的頂層設計引導。云端心電處理模型為時序模型，所以云端需要采用對于時序模型（尤其是偽周期生理數據模型）具有兼容性的AI框架，如Google的TensorFlow、Meta AI的PyTorch和MXNet以及百度的PaddlePaddle等。
4 心電AI研究核心問題思考
4.1 心電AI的可靠性思考
與一般的消費級應用不同，醫療應用強調可靠性，尤其是針對病患的強醫療應用，如術后心電監測、日常自檢篩查等。如果疾病風險沒有被及時發現，可能會延誤病情，甚至帶來生命危險。以人臉識別為例，人臉識別技術基于上億人臉數據庫不斷積累和相關算法的不斷完善，被廣泛應用到身份驗證場景，包括支付、驗票等，然而使用三維打印的臉模欺騙支付驗證等情況屢見不鮮。因此，在實際應用中，人臉識別技術只是作為風險控制的一個環節，即使欺騙發生，還有其他風險控制方案如金額轉移上限設定能及時止損。任何AI技術應用并不僅僅是技術本身，還涉及相關多個層面的風險控制問題。
事實上，針對AI模型的對抗攻擊已經在包括醫學影像診斷等多個領域被證實會干擾最終結果[35]。如診斷ECG時，在不改變病理性異常的前提下，只需要攻擊心電原始信號就能讓原來被準確識別為AF的信號被識別為正常信號[36]。
由于醫療實踐的復雜性，醫療技術均難以實現100%精度。對醫生和患者而言，一項醫療技術的可靠性并不僅取決于檢測精度是否達到100%，而在于風險是否可控。即使是有經驗的醫生，當參考ECG診斷患者心腦血管疾病時也需結合患者各項臨床指標進行確認。因此，規避風險的關鍵在于增加心電AI應用的中間環節，將AI分析結果作為醫生疾病判斷的輔助信息。在致力于提升心電AI診斷模型精度的同時，注重輸出結果置信度的評估，基于不確定性估計和可解釋AI方法，用臨床可接受的證據“告訴”醫生AI分析的結果是否可信以及為什么可信[37]。
由于AI模型的特征表達與醫生經驗不同，未來隨著算法發展，可以將AI對心電數據的高維表達映射到一般性臨床知識經驗層面，并由此發現經驗之外的知識。借助AI做到這點非常關鍵，不同于人的有限注意力，AI算法可以從冗余的長程穿戴式心電信息中捕獲細節的變化和異常，而這些可能不易被臨床醫生察覺或需要消耗大量的時間進行度量。以P波離散度分析為例，如果AI算法能精確地檢測出P波時程，就能快速計算P波離散度，而不需要人工逐拍手動標記，從而有效預測PAF以及評價抗房性心律失常藥物。在特征精確提取和有效ML基礎上，配合這些經過臨床驗證的因果關聯信息，會大大提高心血管疾病的早期檢測精度。
4.2 心電AI的價值思考
對于臨床醫生而言，心電AI技術可從疾病篩查、診斷和跟蹤三個層面提供幫助。從篩查層面，AI技術可以幫助醫生從大量慢性心血管病患者中篩選出高危人群，將有限精力集中到有需求的患者身上。從診斷層面，AI技術顯然可以大大提高醫生閱圖速度，提升診斷效率。從跟蹤層面，醫生可以借助長程心電監測和AI分析及時了解藥物效果或術后康復情況。
對于患者而言，目前以疾病為中心的醫療模式很難兼顧個體化需求，在以健康為中心的新醫療模式下，穿戴式心電監測中的AI技術提高了院外心電監測的可靠性和效率。長時心電監測對查找病因、跟蹤患者治療情況這些強醫療應用場景具有不可替代的價值。以對昏厥病因的篩查為例，多項循證醫學結果顯示，在昏厥病因的多種檢測方法中，植入式Holter的陽性檢測率名列榜首[38]。隨著長程有效的穿戴式心電監測和篩查技術的發展，類似昏厥的尋因和跟蹤成本會大幅降低。但是，目前心電AI檢測的功能和準確性有限，大部分情況仍需醫生通過肉眼回看記錄心電波形進行確診。受信號質量的影響，傳統QRS波定位方法不足以支撐長時精確的RR間期特征輸出。而AI算法可以幫助提升心電特征定位和異常事件判斷的精度，尤其是針對被噪聲干擾的低質量穿戴心電信號。
此外，心電AI技術的發展和進步還需要一個相對成熟的臨床驗證模式，需要考慮模型輸出對醫生進行醫學介入的影響。舉例來說，如果AI算法過分強調敏感性，那么在臨床診斷中，過多的假陽性報告勢必引起醫生對患者真實異常的處理遲鈍化。因此，建立一個科學合理的驗證機制非常重要，包括如何針對不同疾病/異常類型設計不同隨機對照試驗。將來，懂AI的臨床醫生和/或能夠結合臨床的AI專家會成為智慧醫療研究領域的重要和稀缺資源。
5 機遇和挑戰
2019年11月，美國心臟學會科學會議公布了一項由斯坦福大學醫學院和紐約大學醫學院領銜的“醫療和侵入性方法的健康效果國際比較研究”成果，研究結果表明，對于大部分心臟病患者而言，僅接受藥物治療和生活方式建議，并不比那些接受侵入性手術（如支架或搭橋手術）的患者具有更高的心臟病發作或死亡風險[39]。這項研究表明了現階段心血管病防治的一個重要問題：臨床醫生應如何根據患者狀況科學合理地制定治療方案？長程心電監測加心電AI無疑為準確輔助醫生決策提供了重要的參考價值。
當前加速的社會老齡化進程加劇了心血管病等慢病的監控壓力，加上原本醫療資源的緊張，迫切需要AI技術的發展來減輕醫療壓力，同時國民個體健康意識的提升也成為相關醫療AI技術的需求源動力，這些都為心電AI技術的發展提供了良好的機遇。但是醫療問題是嚴肅的，無論是心電AI技術還是其他臨床AI技術，都只有在經過嚴格臨床驗證且普遍被醫生接受的情況下，才能真正在醫療場景中發揮價值。穿戴式心電中AI計算的可靠性、可解釋性和長程連續數據價值的挖掘，是未來研究突破的重點。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：王星堯負責全文內容編排和撰寫，李茜負責全文材料整理和格式調整，馬彩云、張鑠和林鈺潔分別負責房顫、心電AI計算和心衰材料整理，李建清和劉澄玉負責論文指導工作。
0 引言
世界衛生組織2021年發布的數據顯示，全球每年約有1 790萬人死于心血管疾病，占死亡總數的32%，排名第一[1]。《中國心血管健康與疾病報告2020》指出，我國心血管病患者已達3.3億[2]，老齡化進程的加速發展以及居民生活方式的變化，將進一步推高我國心血管病的發病率和死亡率，加重醫療資源的負擔。在心血管疾病防控形勢愈發嚴峻的當下，如何利用快速發展的人工智能（artificial intelligence，AI）技術，發揮醫工交叉優勢，提升疾病智能化診療和風險管控水平，特別是在新冠疫情等重大突發性公共衛生事件背景下，減輕醫生負擔，提高疾病防治效率，減少醫療資源浪費，已成為我國國民經濟發展的重大戰略課題[3]。
近年來，AI技術的發展對推進心電大數據信息挖掘和輔助診斷起到了重要作用。圖1展示了自第一張心電圖（electrocardiogram，ECG）采集之后，AI和心電采集設備的發展脈絡，值得注意的是穿戴式心電監測設備，尤其是單導心電貼呈現井噴態勢。伴隨心電采集設備和監測場景的豐富，一些舊問題愈發明顯，例如偽差和噪聲干擾，同時新的應用場景也催生了針對心電分析的新需求，比如長程監測中抓取有效心電片段和異常捕捉、居家監測中對包括心電的多模態生理信號的融合等。本文首先概述了當前AI技術在心電輔助診斷領域的研究進展，而后從三個典型應用案例說明AI技術改變了穿戴式心電和臨床的聯動，最后對該領域尚待解決的問題進行剖析并展望穿戴式心電AI的發展趨勢。
圖1
AI與心電監測技術和產品發展脈絡圖
Figure1.
Development diagram for the technology and product of AI and ECG monitoring
1 心電領域的AI研究與應用
1.1 AI與心電的結合
自1956年達特茅斯會議首次提出至今，AI已經發展了60多年。發展早期由于算力等因素的限制，AI主要發展方向為專家系統[4]，處理過程需首先根據先驗知識與經驗手動提取有效特征并根據特征進行決策判斷。然而，這對專業知識要求較高且泛化性較差。隨著算力等限制因素得到逐步改善，數據驅動的方式漸漸成為主流。此類算法本質是通過對足夠大樣本量的數據進行訓練，自動提取有用特征信息進行決策判斷。近年來，基于此策略的深度學習（deep learning，DL）風靡一時。例如，2012年Geoffrey Hinton團隊[5]在ImageNet上首次使用DL進行圖像分類并完勝其他團隊。然而，DL算法仍然面臨如模型可解釋性不強、泛化性不高、對數據的質量與數量要求高等難點。對此，如今的研究也提出許多細支領域（可解釋性學習、魯棒學習、小樣本與零樣本學習等）來解決相應挑戰。
AI技術很早就應用于臨床心血管病檢查。早期人們使用決策樹、logistic回歸等方法輔助醫生決策，例如預測急性冠脈綜合征患者臨床預后的風險[6]。ECG可以反映心臟周期性電活動變化，被廣泛應用到臨床疾病診斷。Holter和穿戴式心電監護由于記錄時間較長，心電數據量大，傳統機器學習（machine learning，ML）處理時一般首先降低數據維度，提取少量信號特征作為診斷參考，同時大部分的心電特征需要人為標注。
近年來DL在圖像和語音識別領域的成功為AI分析穿戴式心電提供了參考。2018年吳恩達教授團隊基于53 549位患者的91 232條心電標注數據開發了一種針對單導心電的多種節律異常識別的DL模型[7]。之后從2019年至今，以蘋果和華為智能手表采集的單導心電為基礎來探索結合穿戴式生理信號監測的房顫（atrial fibrillation，AF）管理模式的研究相繼出現[8-9]，每一項研究都采用同步的植入式心電監測設備或Holter采集的心電作為AF事件發生標注的金標準。由此可見，作為數據驅動的算法，DL需要帶有高質量標注信息的心電數據庫作為支撐，因此心電數據庫建設尤為重要。
1.2 心電數據庫的發展
在實際24 h動態監測應用中，ECG分析和診斷的準確性不夠理想，關鍵在于絕大多數心電算法是基于MIT-BIH等臨床靜態數據庫分析發展而來的，這些信號質量相對較高，但與真實動態監測環境情況不同。因此，建設面向真實日常監測場景的動態心電數據庫，進行數據庫節律和形態特征的標注和開源工作勢在必行。
國外常見的動態心電數據庫包括Sudden Cardiac Death Holter Database[8]、INCART和Icentia11K。國內東南大學劉澄玉教授團隊依托中國生理信號挑戰賽（China Physiological Signal Challenge，CPSC）建設了面向各個任務的心電數據庫，如CPSC2019發布2 000條高難度QRS檢測的動態心電數據[10]；隨后CPSC開始發布面向特定任務的精標動態心電數據庫，如2020年發布的長程單導早搏檢測數據庫和2021年發布的二導聯陣發性房顫（paroxysmal atrial fibrillation，PAF）定位數據庫。表1匯總了可獲取的開源動態心電數據庫。
表1
動態心電數據庫匯總
Table1.
Summary of dynamic ECG database
1.3 心電分析中的AI技術路線
針對心電分類，AI研究有兩條技術路線（見圖2），一條是構建端到端DL模型，目前多數研究都遵循該路線。雖然技術核心是基于DL的有監督學習，但是研究者們會結合心電特性設計使用上下文信息的網絡結構，并在模型中引入局部和全局特征的融合機制。不僅如此，人們開始意識到DL的瓶頸在心電分類任務中同樣明顯，比如數據的長尾分布問題、多標簽問題、混淆數據帶來的臟標簽問題[11-12]以及分布外數據的檢出問題等。同時，由于心電分類任務的臨床屬性，人們更希望在獲取診斷結果的同時能回溯模型的判別依據，通過反卷積等技術反演跟蹤深度網絡內部對數據的高維表達，但這種高維表達目前還難以被直觀理解。
圖2
目前心電AI研究的兩條主要技術路線
Figure2.
Two main technical routes of AI research for ECG analysis at present
第二條路線是先對心電做語義解析，量化心電特征，再以心電特征為基礎開發自動化診斷方法。這類方法的本質是將臨床中醫生對心電的解析任務用自動化的方式復現，讓醫生在審查心電自動化診斷結果的同時，回溯作為高級診斷任務依據的低級特征。解析的第一步是對心電進行語義分割。如圖2所示，一個完整心拍被分割為五部分特征：P波、QRS波群、ST段、T波和TP段。對于穿戴式心電，由于噪聲干擾和個體變異等影響，精準的特征分割極具挑戰。傳統方法立足于對心電子波形態特征和節律信息的提取，并設定規則定位子波。近兩年的研究證明，基于規則的方法對復雜心電解析的性能遠遠低于有監督學習的方法。以基礎的QRS波群定位為例，相比基于規則的方法，基于DL模型的算法性能提升接近一倍[13]。
語義分割是解析心電其他特征的基礎，即便獲取絕大多數特征，如何推理建立異常映射模型依然存在挑戰。此類工作可以參考醫學專家系統，該系統通過建立臨床知識圖譜，實現患者個體化分析。拓展到心電自動化分析，我們首先基于心電信號分割結果提取臨床醫生觀察ECG的經驗信息，比如PR間期、QRS波群形態、ST-T段形態、P波持續時間、電軸偏轉等，并進一步與患者性別、年齡、身高、體重等信息共同組成患者個體檔案信息。通過使用注意力機制[14]、因果網絡[15]等方法，關聯機器自動學習特征與疾病，建立醫務人員能理解的推理模型。
2 AI改變穿戴式心電與臨床的協作
如何串聯院內外生理監測一直是臨床重點關注的領域，從術前追蹤到術后隨訪，從慢病管理到異常捕捉，穿戴式設備解放了臨床監測患者的時間和場景約束。尤其是當前處于后疫情時代，為了避免院內發生聚集性感染并釋放醫療資源，國家正在引導對患者在居家或日常生活場景下實施易操作、低成本的生理數據監測。穿戴式設備采集的生理數據是長程且冗余的，且易受到強噪聲干擾，單純依靠人工捕捉穿戴式設備數據異常是不可實現的，只能依靠自動化算法。AI技術則是目前分析穿戴式數據的研究重點，以數據為驅動的DL方法可以充分利用穿戴式設備提供的時序大數據。強噪聲干擾在過去需要挖掘和建模目標信號的特性才能避免，并且有性能上限，而對于AI技術，合理利用噪聲有利于模型自學習到目標數據的本質屬性[16]。
心電監測是心血管疾病篩查和心肺慢病管理的必要環節。穿戴式心電分析算法的發展可以分為兩個角度：一是垂直應用穿戴式心電篩查心血管疾病，最典型的臨床應用是針對AF患者的術后隨訪和預后管理；二是將心電視為穿戴式監測的一環，將之與其他同步生理信號融合分析，橫向擴展其他監測領域。由于心電采集成本低且直接反映心臟電生理活動，與其他生理信號如呼吸、血氧、心音等存在強關聯，因此心電采集與其他傳感集合輸出的同步多模生理數據可以更全面地反映被測人的心肺循環、運動耐力和心腦血管狀態。本章節選取了三個典型場景描述穿戴式心電及AI技術在臨床中的作用，分別為AF管理、CHF干預和睡眠監測。
2.1 房顫管理
作為常見心率失常現象，AF具有廣泛的臨床表現，常與心力衰竭（congestive heart failure，CHF）、腦卒中等疾病相關。目前AI管理AF主要體現在AF復發和相關疾病得病率預測兩方面，可通過心臟植入式電氣設備或穿戴式無創心電監測設備監測AF患者，其中穿戴式設備可以反饋AF持續時間和發生次數，是一種廉價、無創的AF管理方法。
AF篩查是目前大部分穿戴式心電監測設備的重點功能模塊，華為和蘋果公司針對智能手表中的心電甚至脈搏波監測都做了AF檢測的拓展，因此也涌現了大量基于穿戴式心電的AF篩查研究。其中由于PAF隱匿性高，準確檢測PAF對于AF的治療方案至關重要。目前有很多成熟的AF識別算法，如基于P波形態信息和基于RR間期節律信息判斷AF[17]，以及基于DL的AF識別算法[18]。Babaeizadeh等[19]使用P波和RR間期特征訓練了一個決策樹分類器，實現了92%的靈敏度和97%的陽性預測率。Mohebbi等[20]提出了一種基于支持向量機（support vector machine，SVM）、光譜特征和非線性特征的AF檢測器，實現了96.30%的靈敏度和92.86%的陽性預測率。在日常心電監測環境下，建立一個有效的AF負荷量化模型需要構建穿戴式AF心電數據庫并采用先進的ML方法[21]，能夠在長程穿戴式心電數據中準確評估AF類型及其嚴重程度，用于AF患者術前評估和術后連續跟蹤，從而緩解醫生在AF管理中提取有效臨床信息的負擔。圖3展示了如何在長程單導心電中利用AF檢測來評估一個PAF患者的AF負荷。
圖3
陣發性房顫患者長程單導心電數據中基于房顫定位的房顫負荷評估
Figure3.
AF burden assessment using AF localization in long-term single-lead ECGs of a patient with paroxysmal AF
影響AF復發率的原因主要是手術方案和患病程度[22]。在傳統靜態參數評分模型基礎上引入動態心電監測，連續監測AF負荷指標，建立融合靜態統計學信息和動態心電信息的AF復發風險評估模型，可充分利用長程心電數據信息而不僅是臨床參數，對臨床AF術后監管意義重大。
另外，通過AI技術可以分析AF相關疾病的患病風險。研究發現PAF患者腦卒中得病率高于非陣發性患者，低于持續性和永久性患者[23]，因此通過AI模型對AF事件進行識別和定位可用來評估PAF患者的腦卒中患病風險，有效降低腦卒中漏診率和誤報率[24]。如表2[13, 16, 21, 25-27]所示，包含或針對AF的心電數據庫不斷被公開，這是AI管理AF的數據基礎，通過模式識別技術以及早期診斷干預，有可能更好地對臨床AF等慢性病實施個性化治療。
表2
房顫心電數據庫匯總
Table2.
Summary of AF ECG database
2.2 心衰干預
目前全球有超過6 000萬充血性CHF患者，即慢性CHF，多數由于心室的泵血和充盈能力不足導致。大多數CHF患者有心臟病病史，針對病因治療將顯著改善CHF預后，其中收縮性CHF常見病因是冠心病，積極重建血運可防止CHF惡化；舒張性CHF常見病因是高血壓，控制血壓極其重要，否則可能誘發急性CHF。由于慢性CHF需要長期管理，因此治療CHF的目標不僅要改善癥狀，還要針對心肌重構的機制，延緩和防止心肌重構的發展，降低CHF的住院率和死亡率。
常見的CHF篩查手段包括超聲心動圖、心臟磁共振和管狀血管造影術，此類方法往往操作復雜，不適用于慢性CHF患者的居家管理。目前的研究提出多種基于ECG的CHF檢測和分類算法。Kamath[28]和Acharya等[29]分別使用去趨勢波動分析和11層卷積神經網絡（convolutional neural network，CNN）來區分正常人和CHF患者的ECG，并在PhysioNet數據庫上進行測試，測試了3 510個正常竇性心律片段和同等數量的CHF片段，分別達到了98.2%和98.97%的準確率。Darmawahyuni等[30]建立了基于長短期記憶遞歸神經網絡（long short term memory，LSTM）的循環神經網絡（recurrent neural networks，RNN）模型，在包含來自290名患者的549個記錄的PTB數據庫上進行測試，識別CHF的準確率高達99.86%。雖然去趨勢波動分析能通過直觀的方式評估心電的內在復雜性，包括提取心電的非線性和穩定性特征，但在性能上很難超越可以提取高維特征并能夠捕獲信號長程時間依賴性特征的CNN和RNN模型。在實際基于ECG的CHF篩查任務中，可被臨床接受的生理指征更重要，而目前的DL模型無法提供，因此臨床應用中更需要一個綜合生理信號指標提取和深度學習的方法。
慢性CHF患者的臨床癥狀之一為運動不耐受。研究證明，在全身運動中，心輸出量和氧氣輸送對CHF患者的運動耐受性有顯著影響。6分鐘步行測試被用來確定治療干預的效果和預后。盡管該測試容易進行，但仍需專業設備和人士進行分析，使用可穿戴式檢測設備可提供方便且持續的監測，從而更容易區分病情惡化和病情良好的患者（見圖4）。研究發現，對CHF患者進行遠程監測可以幫助減少因計劃外心血管原因導致的住院率和死亡率[31]。
圖4
通過穿戴式心電數據、活動數據和個人生理數據預測6分鐘步行測試結果
Figure4.
Prediction of the results of 6-minute walk test by wearable ECGs combined with activity and physiological data
穿戴式心電具有互聯性，可以產生和匯集多個傳感器的數據，為AI在CHF干預方面提供新的診斷、分類、風險分層和疾病管理見解，以提供更個性化和更具成本效益的治療方案。例如，合并來自多個傳感器的數據流，并使用來自ML模型的決策支持，通過不斷訓練和迭代，以超出人類準確度的水平來調整CHF治療方案中利尿劑的劑量。
2.3 睡眠監測
睡眠障礙已成為影響人們正常生活的重要因素之一。長期的睡眠障礙不僅會影響人體的各個主要系統，還會引發肥胖、糖尿病和神經精神疾病等醫學問題。因此，對睡眠結構進行精細化分析并評估睡眠狀態非常重要。
多導睡眠圖（polysomnography，PSG）是目前睡眠監測的“金標準”，包含同步腦電、眼電、心電、呼吸和血氧信號，可以用來進行睡眠分期并精細分析睡眠狀態。采集該信號時需要專業睡眠醫師在特定環境下對被測人進行操作，并嚴格按照Rechtschaffen & Kales睡眠分期規則記錄與分析。對比PSG，穿戴式生理信號監測佩戴舒適，且能做到日常監測，可還原睡眠受試者的真實睡眠狀態。相應的，一些采集代價高昂的生理傳感（腦電和眼電）會被丟棄，但是心電、呼吸和血氧等生理信號被集成進穿戴式設備中，同時由于穿戴和居家屬性，加速度計和聲音等數據也被用來作為綜合睡眠分析的補充[32]。
在睡眠監測場景下，穿戴式心電已成為多模態生理監測的一環（見圖5），雖然也存在僅利用心電數據做睡眠監測的研究，但僅使用心電數據會造成睡眠異常事件檢測功能的缺失。與之相反，基于穿戴式設備采集的多模態生理信號并結合其他生理特征為在長期睡眠監測中捕捉異常信號提供了一種低成本、易使用的方案。基于此，自動檢測睡眠狀態及時間的LSTM遞歸神經網絡[33]，以及通過結合多模式多視角的攝像機網絡和隱藏班馬爾可夫模型分析患者姿勢和量化姿勢運動動力學的MASH框架被提出。而針對睡眠呼吸暫停診斷，心電、血氧、鼻氣流的結合也使診斷變得更簡單方便。
圖5
睡眠監測中的多模數據傳感
Figure5.
Multi-modal sensing in sleep monitoring
作為特殊的RNN網絡，LSTM網絡能捕捉多模態信號的長期依賴關系和動態變化，同時具有較強的泛化能力和魯棒性，每個LSTM層對應一個輸入信號并學習該信號的時序特征，輸出一個隱藏狀態向量。不同層的隱藏狀態向量進行拼接或加權平均得到一個包含多模態信號共同信息的綜合特征向量，再使用全連接層或分類器處理得到最終決策結果，如睡眠質量評估或者睡眠階段劃分等。
MASH框架是基于服務網格的微服務平臺，能實現多模態信號處理任務的分布式部署，具有較高的可靠性和可觀測性。首先，將不同類型的信號分配給不同微服務，每個微服務可使用不同的編程語言和部署方式來處理信號，如特征提取等；接著利用框架提供的服務網格功能，實現微服務之間的通信和協作；再利用框架提供的服務治理功能，實現微服務之間的安全訪問和權限控制；最后，利用框架提供的監控能力實現微服務之間的數據采集和分析。
針對睡眠監測，AI首先可以幫助醫生進行睡眠障礙診斷[34]。這是通過將收集的傳感器數據轉換為預定義知識（如類別標簽）來實現的，為手動睡眠階段評分提供一種廉價且客觀的替代方案；其次，AI可以通過自動分析功能從可穿戴設備和移動應用程序收集的數據提供健康生活方式建議，使臨床醫生能夠跟蹤人們在家中睡眠模式的變化；或者與智能物聯配合，如通過調節燈光和溫度為患者提供更好的睡眠質量。
3 穿戴式心電終端側和云端側的AI
如何針對心電采用合適的信號處理方法并開發相應的特征解析和輔助診斷算法只是心電AI的一個方面，AI在某個領域的應用還需解決如何在垂直方向與特定行業相結合。對于心電監測，特別是穿戴式心電監測，終端側智能和云端側智能的開發看重的是分析時效與海量數據處理。在監測終端，當異常事件發生時，特別是急性心肌梗死等危險事件發生時，AI需要快速反饋響應、與醫療機構交互和確診異常事件，輔助醫生實施有效干預。在監測云端，海量數據存儲和處理也是一大挑戰。若按500 Hz采樣率，平均每人每日會產生大約4 000萬個采樣數據，5G時代的到來有助于解決大數據實時傳輸問題，但現有的云端服務器在性能上并不足以支撐大量人群監測并發產生的海量心電數據。為了解決問題，需要終端側智能和云端側智能的有效協同（如圖6所示）。
圖6
穿戴式心電終端側智能與云端側智能協同框架
Figure6.
Collaborative framework for the edge and cloud intelligence in wearable ECG monitoring
終端側技術重點是心電AI芯片的研究。長程心電監測要求終端硬件電路微型化、低功耗并具備實時數據分析能力，因此發展心電AI芯片是必然趨勢。目前對于通用AI芯片研究，Nvidia公司在Tensor Core基礎上，推出Jetson系列嵌入式AI芯片。Intel公司的Nervana系列神經網絡處理器、Google公司的TPU、Apple公司基于ARM架構的仿生芯片，以及華為公司的麒麟芯片都集成了AI處理功能。可以預見，隨著穿戴式技術的發展，未來大量的心電監測需求將從云端轉向終端，而AI芯片、物聯網和5G技術的發展均為終端的心電AI提供了更多技術條件。
云端側技術重點是時序數據AI處理模型和與模型適配的架構協議。數據從性質上分為靜態結構化數據（影像、生化數據）和動態時序數據（多數生理數據）。目前云端AI計算架構基本為分布式架構，包括以Python為基礎的前端描述模型、具備異構計算能力的后端引擎以及支持自動優化的計算框架等。對于云端心電AI，需要考慮數據存儲格式和數據AI模型設計。心電云作為醫療服務的專有云，需要多個醫院共享心電數據，但各醫院信息化軟件和數據存儲格式不統一，這需要廠家和相關部門的頂層設計引導。云端心電處理模型為時序模型，所以云端需要采用對于時序模型（尤其是偽周期生理數據模型）具有兼容性的AI框架，如Google的TensorFlow、Meta AI的PyTorch和MXNet以及百度的PaddlePaddle等。
4 心電AI研究核心問題思考
4.1 心電AI的可靠性思考
與一般的消費級應用不同，醫療應用強調可靠性，尤其是針對病患的強醫療應用，如術后心電監測、日常自檢篩查等。如果疾病風險沒有被及時發現，可能會延誤病情，甚至帶來生命危險。以人臉識別為例，人臉識別技術基于上億人臉數據庫不斷積累和相關算法的不斷完善，被廣泛應用到身份驗證場景，包括支付、驗票等，然而使用三維打印的臉模欺騙支付驗證等情況屢見不鮮。因此，在實際應用中，人臉識別技術只是作為風險控制的一個環節，即使欺騙發生，還有其他風險控制方案如金額轉移上限設定能及時止損。任何AI技術應用并不僅僅是技術本身，還涉及相關多個層面的風險控制問題。
事實上，針對AI模型的對抗攻擊已經在包括醫學影像診斷等多個領域被證實會干擾最終結果[35]。如診斷ECG時，在不改變病理性異常的前提下，只需要攻擊心電原始信號就能讓原來被準確識別為AF的信號被識別為正常信號[36]。
由于醫療實踐的復雜性，醫療技術均難以實現100%精度。對醫生和患者而言，一項醫療技術的可靠性并不僅取決于檢測精度是否達到100%，而在于風險是否可控。即使是有經驗的醫生，當參考ECG診斷患者心腦血管疾病時也需結合患者各項臨床指標進行確認。因此，規避風險的關鍵在于增加心電AI應用的中間環節，將AI分析結果作為醫生疾病判斷的輔助信息。在致力于提升心電AI診斷模型精度的同時，注重輸出結果置信度的評估，基于不確定性估計和可解釋AI方法，用臨床可接受的證據“告訴”醫生AI分析的結果是否可信以及為什么可信[37]。
由于AI模型的特征表達與醫生經驗不同，未來隨著算法發展，可以將AI對心電數據的高維表達映射到一般性臨床知識經驗層面，并由此發現經驗之外的知識。借助AI做到這點非常關鍵，不同于人的有限注意力，AI算法可以從冗余的長程穿戴式心電信息中捕獲細節的變化和異常，而這些可能不易被臨床醫生察覺或需要消耗大量的時間進行度量。以P波離散度分析為例，如果AI算法能精確地檢測出P波時程，就能快速計算P波離散度，而不需要人工逐拍手動標記，從而有效預測PAF以及評價抗房性心律失常藥物。在特征精確提取和有效ML基礎上，配合這些經過臨床驗證的因果關聯信息，會大大提高心血管疾病的早期檢測精度。
4.2 心電AI的價值思考
對于臨床醫生而言，心電AI技術可從疾病篩查、診斷和跟蹤三個層面提供幫助。從篩查層面，AI技術可以幫助醫生從大量慢性心血管病患者中篩選出高危人群，將有限精力集中到有需求的患者身上。從診斷層面，AI技術顯然可以大大提高醫生閱圖速度，提升診斷效率。從跟蹤層面，醫生可以借助長程心電監測和AI分析及時了解藥物效果或術后康復情況。
對于患者而言，目前以疾病為中心的醫療模式很難兼顧個體化需求，在以健康為中心的新醫療模式下，穿戴式心電監測中的AI技術提高了院外心電監測的可靠性和效率。長時心電監測對查找病因、跟蹤患者治療情況這些強醫療應用場景具有不可替代的價值。以對昏厥病因的篩查為例，多項循證醫學結果顯示，在昏厥病因的多種檢測方法中，植入式Holter的陽性檢測率名列榜首[38]。隨著長程有效的穿戴式心電監測和篩查技術的發展，類似昏厥的尋因和跟蹤成本會大幅降低。但是，目前心電AI檢測的功能和準確性有限，大部分情況仍需醫生通過肉眼回看記錄心電波形進行確診。受信號質量的影響，傳統QRS波定位方法不足以支撐長時精確的RR間期特征輸出。而AI算法可以幫助提升心電特征定位和異常事件判斷的精度，尤其是針對被噪聲干擾的低質量穿戴心電信號。
此外，心電AI技術的發展和進步還需要一個相對成熟的臨床驗證模式，需要考慮模型輸出對醫生進行醫學介入的影響。舉例來說，如果AI算法過分強調敏感性，那么在臨床診斷中，過多的假陽性報告勢必引起醫生對患者真實異常的處理遲鈍化。因此，建立一個科學合理的驗證機制非常重要，包括如何針對不同疾病/異常類型設計不同隨機對照試驗。將來，懂AI的臨床醫生和/或能夠結合臨床的AI專家會成為智慧醫療研究領域的重要和稀缺資源。
5 機遇和挑戰
2019年11月，美國心臟學會科學會議公布了一項由斯坦福大學醫學院和紐約大學醫學院領銜的“醫療和侵入性方法的健康效果國際比較研究”成果，研究結果表明，對于大部分心臟病患者而言，僅接受藥物治療和生活方式建議，并不比那些接受侵入性手術（如支架或搭橋手術）的患者具有更高的心臟病發作或死亡風險[39]。這項研究表明了現階段心血管病防治的一個重要問題：臨床醫生應如何根據患者狀況科學合理地制定治療方案？長程心電監測加心電AI無疑為準確輔助醫生決策提供了重要的參考價值。
當前加速的社會老齡化進程加劇了心血管病等慢病的監控壓力，加上原本醫療資源的緊張，迫切需要AI技術的發展來減輕醫療壓力，同時國民個體健康意識的提升也成為相關醫療AI技術的需求源動力，這些都為心電AI技術的發展提供了良好的機遇。但是醫療問題是嚴肅的，無論是心電AI技術還是其他臨床AI技術，都只有在經過嚴格臨床驗證且普遍被醫生接受的情況下，才能真正在醫療場景中發揮價值。穿戴式心電中AI計算的可靠性、可解釋性和長程連續數據價值的挖掘，是未來研究突破的重點。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：王星堯負責全文內容編排和撰寫，李茜負責全文材料整理和格式調整，馬彩云、張鑠和林鈺潔分別負責房顫、心電AI計算和心衰材料整理，李建清和劉澄玉負責論文指導工作。
