心電圖是一種無創、廉價、便捷的診斷心血管疾病和評估心血管事件風險的檢查方法。盡管心電圖檢查已具備明確的標準化操作及流程，但由于診斷經驗的不同，即便是訓練有素的醫生對心電圖的解釋也可能存在主觀偏差。近年來，人工智能通過建立深度神經網絡模型，已經成為一種自動分析醫療數據的強大工具，在CT、MRI、超聲以及心電圖等醫學圖像診斷領域得到了廣泛應用。該文主要介紹深度神經網絡模型在心電圖診斷和預測心血管疾病方面的應用進展，并討論其局限性和應用前景。
引用本文： 周天. 深度神經網絡模型在心電圖中的應用進展. 華西醫學, 2023, 38(1): 126-129. doi: 10.7507/1002-0179.202210146 復制
深度神經網絡（deep neural network，DNN）模型作為一種極具潛力的人工智能（artificial intelligence，AI）技術，目前已廣泛應用于醫學診斷領域，包括CT、MRI、超聲以及心電圖等醫學圖像診斷領域。心電圖是一種無創、便捷、經濟的診斷心血管疾病和評估心血管事件風險的重要檢查方法。AI，特別是DNN，在模仿人類進行心電圖自動診斷和疾病預測中展現出顯著的臨床應用價值。本文主要從心電圖自動診斷及心律失常分類、預測急性心肌梗死、評估心功能、預測心肌病及瓣膜病這幾個方面介紹DNN在心電圖診斷和預測心血管疾病方面的應用進展，并討論其局限性和應用前景。
1 DNN簡介
AI指運用計算機程序模擬人類智能的技術。近年來AI在很多領域飛速發展，特別是圖像識別方面，AI表現出比人類更高的速度和準確度。目前在醫學領域，AI基于神經網絡模型能從數據中自動獲取信息，是機器學習領域的一個分支[1]。因該技術能更充分利用復雜的醫學數據，并在分析高維數據方面展現出超越人類大腦的能力，AI在醫學領域得到廣泛關注[2]。不僅在分析靜態醫學圖像的應用方面取得了顯著成效，AI還在電子病歷分析及通過心電圖預測臨床預后方面展現出重要價值。
神經網絡由大量統計模型單元構成，其模仿人類神經元細胞功能，通過內在參數（權重）對輸入數據進行迭代及合并，最終計算得到輸出信息[2]。神經網絡可僅通過原始數據自動學習重要特征，并建立分類模型或預測模型。在醫療領域，目前應用最廣泛的DNN主要包括卷積神經網絡（convolutional neural networks，CNN）和循環神經網絡（recurrent neural network，RNN）。CNN通過核心程序以卷積的方式計算輸出信息，并能自動優化核心程序以適應其提取的重要特征，展現出自動獲取特征信息和對圖像進行分類的強大功能[3]。RNN中的統計模型單元將處理過的信息傳遞給鄰近的其他模型單元，因此對數據的順序信息十分敏感，在處理分析時間序列數據及語言方面具有優勢[3]。針對不同的研究項目，如何選擇神經網絡模型類型目前還未達成共識。理論上，RNN能獲得更多時間序列的電壓數據，這也是心電圖數據的原始形式。但CNN的計算成本比RNN低，在可穿戴設備中，盡管RNN有更高的準確度，但由于計算資源有限，CNN成為更好選擇。
2 DNN在心電圖中的具體應用
2.1 DNN在心電圖自動診斷及心律失常中的應用
AI在心電圖中最重要的應用是模仿人類進行自動診斷。很多研究團隊從大量單導聯心電圖數據的基礎上建立DNN并將其應用于12導聯心電圖。Ribeiro等[4]從米納斯吉拉斯遠程醫療系統中收集了 2 322 513份單導聯心電圖數據，在此基礎上建立了DNN并將其應用于6種心電圖異常［一度房室阻滯、右束支阻滯、左束支阻滯、竇性心動過緩、竇性心動過速及心房顫動（房顫）］的診斷。Hannun等[5]利用91 232份單導聯心電圖數據建立DNN實現了12種心律（10種心律失常、竇性節律及干擾）的自動分類，該模型在測試數據集中的受試者工作特征曲線下面積（area under the curve，AUC）達到了0.97，其靈敏度和陽性預測值的調和平均數（F1值）達到0.84，并高于心臟病專家F1值的0.78，具有很好的臨床應用價值。Chang等[6]則收集了 65 932 份12導聯心電圖并建立長短期記憶模型，該模型在診斷12種心臟節律中的準確度為0.982，AUC≥0.987，其F1值同樣高于心臟病專家。Zhu等[7]納入180 112份12導聯心電圖作為訓練和驗證數據集，由此建立的CNN模型在診斷21種心臟節律中的準確度和F1值均超過了內科醫生的平均水平，AUC達到0.98。該研究中的21種節律類型包含了多數的心臟節律或傳導阻滯，說明基于DNN的計算機自動診斷具有較高的臨床應用價值。
房顫是一種常見的與腦卒中、心力衰竭及高死亡風險密切相關的心律失常。有相當一部分房顫是陣發性、無癥狀的，容易被漏診。在不明來源的栓塞性腦卒中患者中，有15%的病例通過30 d的節律監測確診了之前未被發現的陣發性房顫[8]。近年大量研究將深度學習模型應用于房顫的自動診斷并取得了進展，其中以CNN模型的應用最為廣泛并展現出最高的診斷效率。這些研究分別將5種不同形式（單導聯心電圖、多導聯心電圖、心率變異性、光譜圖及混合形式）的心電圖信息輸入深度學習模型中，其中以12導聯心電圖為基礎的深度學習模型其診斷可靠性和準確度更高[9]。而單導聯心電圖隨著個人或移動設備的普及展現出不可取締的作用[9]。有研究在對 38 種最新的房顫分類算法在單導聯心電監測設備中的診斷表現研究中發現，融合算法在驗證集中的AUC為0.99，F1值為0.90，明顯優于單種算法[10]。Rabinstein等[11]運用深度學習模型對不明原因的栓塞性腦卒中患者進行隱匿性房顫預測。有研究運用DNN在竇性節律心電圖中預測陣發性房顫，為減少房顫漏診提供了臨床價值[12-14]。Khurshid等[15]納入45 770個病例作為訓練數據建立CNN模型，并在83 162個病例中進行測試，發現該模型與心臟和衰老隊列的房顫基因組流行病學評分系統具有相近的預測價值。
多項研究發現DNN在心律失常侵入性治療中也具有臨床價值。Senoner等[16]研發的DNN模型能準確預測預激綜合征患者旁路的確切位置，基于該模型的導管消融前定位對患者的消融計劃管理及術前風險預測具有重要意義。Zheng等[17]納入420例接受導管消融治療的室性心動過速或頻發室性早搏患者作為訓練、驗證和測試集，由此研發的DNN模型在預測左、右流出道室性心動過速定位的準確度為97.62、AUC為98.99，對優化導管消融策略、減少消融持續時間及避免手術并發癥有重要意義。
2.2 DNN在預測急性心肌梗死中的應用
急性心肌梗死是急性冠脈綜合征的嚴重亞型，是中老年人群常見的急性致命性疾病。臨床上心電圖對急性ST段抬高型心肌梗死（St-segment elevation myocardial infarction，STEMI）的快速篩查起到關鍵作用，對其診斷、定位、評估病情及預后具有重要意義。Zhao等[18]納入667份STEMI心電圖及7 571份對照組心電圖，由此建立的深度學習模型對預測STEMI的AUC達到0.99，并且在與心臟病專家的對比試驗中，該算法的AUC、特異性、敏感性、準確度及F1值具有明顯優勢。Liu等[19]分別納入25 002例及14 296例急性心肌梗死患者作為訓練集和驗證集，并研發了具有急性心肌梗死預警功能的深度學習模型，該預警策略以0.932的F1值、93.2%的準確度及93.2%的召回率對STEMI患者發出警報。該策略將患者從心電圖檢查到心導管術開始（ECG-to-cardiac catheterization laboratory activation，EtoCCLA）的時間從6.0分顯著縮短至4.0分，以及至球囊擴張（door-to-balloon，DtoB）的時間從69分縮短至61分[19]。該項研究成果為一線臨床醫生提供及時可靠的診斷決策系統，并顯著減少EtoCCLA和DtoB時間，促進經皮冠狀動脈介入治療流程。Gibson等[20]通過8 511份單導聯心電圖建立STEMI診斷的深度學習模型，并納入2 542份確診為前壁、下壁或側壁STEMI心電圖建立STEMI定位模型。該研究結果顯示V2單導聯心電圖診斷模型對STEMI預測的準確度為90.5%，并且其定位模型對前壁和下壁STEMI的定位能力優于側壁[20]。單導聯心電圖AI模型是一種頗具前景的篩查工具，該研究為可穿戴設備預測STEMI提供重要的應用價值。
2.3 DNN在評估心功能中的應用
臨床工作中通常運用超聲心動圖左心室射血分數（left ventricular ejection fraction，LVEF）指標對左心衰竭量化，但在普通人群中存在無癥狀性左心衰竭比例達3%～6%，這些患者可能因未及時診斷導致心功能進一步惡化及生存率的降低。有研究通過23 801份心電圖作為訓練數據建立了可用于識別左心功能不全（LVEF<40%）的CNN模型，該模型對7 196份心電圖進行測試的AUC為0.945[21]。有研究納入715 890份心電圖及與其配對的147 636例患者的LVEF值，由此建立的深度學習模型在檢測LVEF≤40%、40%<LVEF≤50%和LVEF>50%時的AUC分別為0.94、0.82和0.89[22]。此外，該研究從404 502份超聲心動圖中獲取右心室大小及收縮功能數據，并對這148 227例患者的761 510份心電圖進行配對，由此建立的深度學習模型對右心室擴張及收縮功能障礙的預測AUC為0.84[22]。有研究將來自45家診所或醫院的臨床醫生分為AI干預組（n=181）和對照組（n=177），兩組分別獲得11 573及11 068份無心力衰竭成人的心電圖，以心電圖檢查后90 d新診斷為低LVEF作為研究終點，發現AI-ECG可在常規基礎醫療活動中對患者的低LVEF（≤50%）進行早期診斷[23]。可見深度學習模型不僅在預測左、右心功能不全方面取得進展，并對基礎醫療過程中早期診斷左心衰竭有臨床意義。
2.4 DNN在預測心肌病及瓣膜病中的作用
肥厚型心肌病（hypertrophic cardiomyopathy，HCM）是青少年及青年人群發生心源性猝死的首要原因之一。目前HCM的診斷主要依據超聲心動圖及臨床病史，但將超聲心動圖廣泛運用于篩查無癥狀人群并不切合實際。超過90%的HCM患者表現出心電圖異常，但這些改變并非特異性，通常與左心室肥厚難以鑒別。AI深度學習模型則不依賴于左心室肥厚的傳統診斷標準，卻能展現出準確預測HCM的優勢。有研究納入2 448份成人HCM患者心電圖及年齡和性別匹配的51 153份對照組心電圖對CNN模型進行訓練和驗證，該模型對612例HCM患者及12 788例對照組的心電圖進行預測HCM的AUC值為0.96，靈敏度為87%，特異度為90%，并且對左心室肥厚患者及心電圖正常患者預測的AUC值均達到0.95[24]。該研究團隊進一步證實了該CNN模型在兒童和青少年人群中預測HCM的AUC值為0.98，仍表現出優越的預測能力[25]。此外，深度學習模型在預測擴張性心肌病[26]和缺血性心肌病[27]方面也展現出較高的準確度，有望成為一種廉價、高效的篩查工具。
心臟瓣膜病的早期診斷對預防心臟不可逆損傷具有重要意義，不同程度的主動脈瓣狹窄患者在主動脈瓣置換術后的預后具有差異。有研究納入258 607例成人的超聲心動圖及心電圖資料，對CNN模型進行訓練并驗證，最終在測試組中預測中、重度主動脈瓣狹窄的AUC為0.85，在沒有高血壓的患者中預測AUC達0.90[28]。有研究通過29 859份心電圖及超聲心動圖數據建立的DNN模型預測主動脈瓣關閉不全的AUC為0.802[29]。也有研究使用來自 24 202例二尖瓣反流患者的56 670份心電圖訓練 AI 算法，并使用3 174份及10 865份心電圖進行內部及外部驗證，其預測二尖瓣關閉不全的AUC分別達0.816及0.877[30]。上述研究顯示DNN有望成為心臟瓣膜病的新型、便捷篩查工具，并且對判斷瓣膜置換術預后可能具有一定參考價值。
3 展望
DNN作為一種新興技術，在心電圖的自動診斷及預測心血管疾病方面獲得廣泛應用，同時也存在局限性。深度學習模型自動提取數據特征，并建立分類模型或預測模型，而我們并不了解該決策中所涉及的特征細節，也稱“黑匣子”問題。由于不確定該模型對特定人群是否適用而限制了其臨床應用。此外，AI技術存在許多倫理和法律上的挑戰，包括患者隱私權、算法公開度及責任問題等。該技術所涉及的相關數據也存在隱私保護、保密性、所有權及使用許可等相關問題，特別是智能手機軟件及移動設備中的數據，其所有權和安全性還未得到保障。
隨著深度學習模型算法的不斷優化和數據庫的完善，AI技術有望在心電圖診斷及心血管疾病預測方面展現更大的潛力，對平衡醫療條件稀缺地區的診斷水平有重要意義，且在評估療效及預后方面有潛在的應用價值。總之，DNN為心電診斷技術的發展提供了新的支持和動力，在心電圖自動診斷及疾病預測方面將會有更廣闊的應用前景。
利益沖突：所有作者聲明不存在利益沖突。
深度神經網絡（deep neural network，DNN）模型作為一種極具潛力的人工智能（artificial intelligence，AI）技術，目前已廣泛應用于醫學診斷領域，包括CT、MRI、超聲以及心電圖等醫學圖像診斷領域。心電圖是一種無創、便捷、經濟的診斷心血管疾病和評估心血管事件風險的重要檢查方法。AI，特別是DNN，在模仿人類進行心電圖自動診斷和疾病預測中展現出顯著的臨床應用價值。本文主要從心電圖自動診斷及心律失常分類、預測急性心肌梗死、評估心功能、預測心肌病及瓣膜病這幾個方面介紹DNN在心電圖診斷和預測心血管疾病方面的應用進展，并討論其局限性和應用前景。
1 DNN簡介
AI指運用計算機程序模擬人類智能的技術。近年來AI在很多領域飛速發展，特別是圖像識別方面，AI表現出比人類更高的速度和準確度。目前在醫學領域，AI基于神經網絡模型能從數據中自動獲取信息，是機器學習領域的一個分支[1]。因該技術能更充分利用復雜的醫學數據，并在分析高維數據方面展現出超越人類大腦的能力，AI在醫學領域得到廣泛關注[2]。不僅在分析靜態醫學圖像的應用方面取得了顯著成效，AI還在電子病歷分析及通過心電圖預測臨床預后方面展現出重要價值。
神經網絡由大量統計模型單元構成，其模仿人類神經元細胞功能，通過內在參數（權重）對輸入數據進行迭代及合并，最終計算得到輸出信息[2]。神經網絡可僅通過原始數據自動學習重要特征，并建立分類模型或預測模型。在醫療領域，目前應用最廣泛的DNN主要包括卷積神經網絡（convolutional neural networks，CNN）和循環神經網絡（recurrent neural network，RNN）。CNN通過核心程序以卷積的方式計算輸出信息，并能自動優化核心程序以適應其提取的重要特征，展現出自動獲取特征信息和對圖像進行分類的強大功能[3]。RNN中的統計模型單元將處理過的信息傳遞給鄰近的其他模型單元，因此對數據的順序信息十分敏感，在處理分析時間序列數據及語言方面具有優勢[3]。針對不同的研究項目，如何選擇神經網絡模型類型目前還未達成共識。理論上，RNN能獲得更多時間序列的電壓數據，這也是心電圖數據的原始形式。但CNN的計算成本比RNN低，在可穿戴設備中，盡管RNN有更高的準確度，但由于計算資源有限，CNN成為更好選擇。
2 DNN在心電圖中的具體應用
2.1 DNN在心電圖自動診斷及心律失常中的應用
AI在心電圖中最重要的應用是模仿人類進行自動診斷。很多研究團隊從大量單導聯心電圖數據的基礎上建立DNN并將其應用于12導聯心電圖。Ribeiro等[4]從米納斯吉拉斯遠程醫療系統中收集了 2 322 513份單導聯心電圖數據，在此基礎上建立了DNN并將其應用于6種心電圖異常［一度房室阻滯、右束支阻滯、左束支阻滯、竇性心動過緩、竇性心動過速及心房顫動（房顫）］的診斷。Hannun等[5]利用91 232份單導聯心電圖數據建立DNN實現了12種心律（10種心律失常、竇性節律及干擾）的自動分類，該模型在測試數據集中的受試者工作特征曲線下面積（area under the curve，AUC）達到了0.97，其靈敏度和陽性預測值的調和平均數（F1值）達到0.84，并高于心臟病專家F1值的0.78，具有很好的臨床應用價值。Chang等[6]則收集了 65 932 份12導聯心電圖并建立長短期記憶模型，該模型在診斷12種心臟節律中的準確度為0.982，AUC≥0.987，其F1值同樣高于心臟病專家。Zhu等[7]納入180 112份12導聯心電圖作為訓練和驗證數據集，由此建立的CNN模型在診斷21種心臟節律中的準確度和F1值均超過了內科醫生的平均水平，AUC達到0.98。該研究中的21種節律類型包含了多數的心臟節律或傳導阻滯，說明基于DNN的計算機自動診斷具有較高的臨床應用價值。
房顫是一種常見的與腦卒中、心力衰竭及高死亡風險密切相關的心律失常。有相當一部分房顫是陣發性、無癥狀的，容易被漏診。在不明來源的栓塞性腦卒中患者中，有15%的病例通過30 d的節律監測確診了之前未被發現的陣發性房顫[8]。近年大量研究將深度學習模型應用于房顫的自動診斷并取得了進展，其中以CNN模型的應用最為廣泛并展現出最高的診斷效率。這些研究分別將5種不同形式（單導聯心電圖、多導聯心電圖、心率變異性、光譜圖及混合形式）的心電圖信息輸入深度學習模型中，其中以12導聯心電圖為基礎的深度學習模型其診斷可靠性和準確度更高[9]。而單導聯心電圖隨著個人或移動設備的普及展現出不可取締的作用[9]。有研究在對 38 種最新的房顫分類算法在單導聯心電監測設備中的診斷表現研究中發現，融合算法在驗證集中的AUC為0.99，F1值為0.90，明顯優于單種算法[10]。Rabinstein等[11]運用深度學習模型對不明原因的栓塞性腦卒中患者進行隱匿性房顫預測。有研究運用DNN在竇性節律心電圖中預測陣發性房顫，為減少房顫漏診提供了臨床價值[12-14]。Khurshid等[15]納入45 770個病例作為訓練數據建立CNN模型，并在83 162個病例中進行測試，發現該模型與心臟和衰老隊列的房顫基因組流行病學評分系統具有相近的預測價值。
多項研究發現DNN在心律失常侵入性治療中也具有臨床價值。Senoner等[16]研發的DNN模型能準確預測預激綜合征患者旁路的確切位置，基于該模型的導管消融前定位對患者的消融計劃管理及術前風險預測具有重要意義。Zheng等[17]納入420例接受導管消融治療的室性心動過速或頻發室性早搏患者作為訓練、驗證和測試集，由此研發的DNN模型在預測左、右流出道室性心動過速定位的準確度為97.62、AUC為98.99，對優化導管消融策略、減少消融持續時間及避免手術并發癥有重要意義。
2.2 DNN在預測急性心肌梗死中的應用
急性心肌梗死是急性冠脈綜合征的嚴重亞型，是中老年人群常見的急性致命性疾病。臨床上心電圖對急性ST段抬高型心肌梗死（St-segment elevation myocardial infarction，STEMI）的快速篩查起到關鍵作用，對其診斷、定位、評估病情及預后具有重要意義。Zhao等[18]納入667份STEMI心電圖及7 571份對照組心電圖，由此建立的深度學習模型對預測STEMI的AUC達到0.99，并且在與心臟病專家的對比試驗中，該算法的AUC、特異性、敏感性、準確度及F1值具有明顯優勢。Liu等[19]分別納入25 002例及14 296例急性心肌梗死患者作為訓練集和驗證集，并研發了具有急性心肌梗死預警功能的深度學習模型，該預警策略以0.932的F1值、93.2%的準確度及93.2%的召回率對STEMI患者發出警報。該策略將患者從心電圖檢查到心導管術開始（ECG-to-cardiac catheterization laboratory activation，EtoCCLA）的時間從6.0分顯著縮短至4.0分，以及至球囊擴張（door-to-balloon，DtoB）的時間從69分縮短至61分[19]。該項研究成果為一線臨床醫生提供及時可靠的診斷決策系統，并顯著減少EtoCCLA和DtoB時間，促進經皮冠狀動脈介入治療流程。Gibson等[20]通過8 511份單導聯心電圖建立STEMI診斷的深度學習模型，并納入2 542份確診為前壁、下壁或側壁STEMI心電圖建立STEMI定位模型。該研究結果顯示V2單導聯心電圖診斷模型對STEMI預測的準確度為90.5%，并且其定位模型對前壁和下壁STEMI的定位能力優于側壁[20]。單導聯心電圖AI模型是一種頗具前景的篩查工具，該研究為可穿戴設備預測STEMI提供重要的應用價值。
2.3 DNN在評估心功能中的應用
臨床工作中通常運用超聲心動圖左心室射血分數（left ventricular ejection fraction，LVEF）指標對左心衰竭量化，但在普通人群中存在無癥狀性左心衰竭比例達3%～6%，這些患者可能因未及時診斷導致心功能進一步惡化及生存率的降低。有研究通過23 801份心電圖作為訓練數據建立了可用于識別左心功能不全（LVEF<40%）的CNN模型，該模型對7 196份心電圖進行測試的AUC為0.945[21]。有研究納入715 890份心電圖及與其配對的147 636例患者的LVEF值，由此建立的深度學習模型在檢測LVEF≤40%、40%<LVEF≤50%和LVEF>50%時的AUC分別為0.94、0.82和0.89[22]。此外，該研究從404 502份超聲心動圖中獲取右心室大小及收縮功能數據，并對這148 227例患者的761 510份心電圖進行配對，由此建立的深度學習模型對右心室擴張及收縮功能障礙的預測AUC為0.84[22]。有研究將來自45家診所或醫院的臨床醫生分為AI干預組（n=181）和對照組（n=177），兩組分別獲得11 573及11 068份無心力衰竭成人的心電圖，以心電圖檢查后90 d新診斷為低LVEF作為研究終點，發現AI-ECG可在常規基礎醫療活動中對患者的低LVEF（≤50%）進行早期診斷[23]。可見深度學習模型不僅在預測左、右心功能不全方面取得進展，并對基礎醫療過程中早期診斷左心衰竭有臨床意義。
2.4 DNN在預測心肌病及瓣膜病中的作用
肥厚型心肌病（hypertrophic cardiomyopathy，HCM）是青少年及青年人群發生心源性猝死的首要原因之一。目前HCM的診斷主要依據超聲心動圖及臨床病史，但將超聲心動圖廣泛運用于篩查無癥狀人群并不切合實際。超過90%的HCM患者表現出心電圖異常，但這些改變并非特異性，通常與左心室肥厚難以鑒別。AI深度學習模型則不依賴于左心室肥厚的傳統診斷標準，卻能展現出準確預測HCM的優勢。有研究納入2 448份成人HCM患者心電圖及年齡和性別匹配的51 153份對照組心電圖對CNN模型進行訓練和驗證，該模型對612例HCM患者及12 788例對照組的心電圖進行預測HCM的AUC值為0.96，靈敏度為87%，特異度為90%，并且對左心室肥厚患者及心電圖正常患者預測的AUC值均達到0.95[24]。該研究團隊進一步證實了該CNN模型在兒童和青少年人群中預測HCM的AUC值為0.98，仍表現出優越的預測能力[25]。此外，深度學習模型在預測擴張性心肌病[26]和缺血性心肌病[27]方面也展現出較高的準確度，有望成為一種廉價、高效的篩查工具。
心臟瓣膜病的早期診斷對預防心臟不可逆損傷具有重要意義，不同程度的主動脈瓣狹窄患者在主動脈瓣置換術后的預后具有差異。有研究納入258 607例成人的超聲心動圖及心電圖資料，對CNN模型進行訓練并驗證，最終在測試組中預測中、重度主動脈瓣狹窄的AUC為0.85，在沒有高血壓的患者中預測AUC達0.90[28]。有研究通過29 859份心電圖及超聲心動圖數據建立的DNN模型預測主動脈瓣關閉不全的AUC為0.802[29]。也有研究使用來自 24 202例二尖瓣反流患者的56 670份心電圖訓練 AI 算法，并使用3 174份及10 865份心電圖進行內部及外部驗證，其預測二尖瓣關閉不全的AUC分別達0.816及0.877[30]。上述研究顯示DNN有望成為心臟瓣膜病的新型、便捷篩查工具，并且對判斷瓣膜置換術預后可能具有一定參考價值。
3 展望
DNN作為一種新興技術，在心電圖的自動診斷及預測心血管疾病方面獲得廣泛應用，同時也存在局限性。深度學習模型自動提取數據特征，并建立分類模型或預測模型，而我們并不了解該決策中所涉及的特征細節，也稱“黑匣子”問題。由于不確定該模型對特定人群是否適用而限制了其臨床應用。此外，AI技術存在許多倫理和法律上的挑戰，包括患者隱私權、算法公開度及責任問題等。該技術所涉及的相關數據也存在隱私保護、保密性、所有權及使用許可等相關問題，特別是智能手機軟件及移動設備中的數據，其所有權和安全性還未得到保障。
隨著深度學習模型算法的不斷優化和數據庫的完善，AI技術有望在心電圖診斷及心血管疾病預測方面展現更大的潛力，對平衡醫療條件稀缺地區的診斷水平有重要意義，且在評估療效及預后方面有潛在的應用價值。總之，DNN為心電診斷技術的發展提供了新的支持和動力，在心電圖自動診斷及疾病預測方面將會有更廣闊的應用前景。
利益沖突：所有作者聲明不存在利益沖突。