人工智能在心房颤动预测中的价值

秦地茂 李梦依 吴霜 邓祁 姚尧 刘英杰 郑颖

(西南交通大学附属医院 成都市第三人民医院 成都市心血管病研究所，四川 成都 610031)

在21世纪，随着大数据的爆发和算法的改进，人工智能飞速发展，因其有从海量数据中学习的能力，并将结果应用于不同的环境，被称之为21世纪科技领域的皇冠。基于人工智能的应用已在包括医学的许多领域中开展。最近，研究者们将其用于临床疾病的预测和诊断[1]。心血管疾病是全世界范围内最主要的死亡原因之一，在广大发展中国家，心血管疾病负担正逐渐增加。目前，基于人工智能的系统已广泛应用于心血管成像和心血管疾病风险预测[2-4]，尤其是支持向量机算法。

然而，人工智能在心律失常方面的应用依旧是冰山一角。心房颤动(房颤)作为一种主要的心律失常，与卒中和心力衰竭密切相关，危害极大，增加了社会和经济负担。对于房颤，现有的筛查手段不佳，而人工智能在该领域发展十分迅速，潜力极大[5]。现主要阐述人工智能预测房颤的进展。

1 人工智能与机器学习

人工智能主要指模拟和模仿人类智能以解决实际问题的计算程序。20 世纪 50 年代“人工智能”被首次提出，至今60多年的发展，人工智能以机器学习、深度学习为核心，在视觉、语音、通信等领域快速发展，悄然改变着人们的生活及工作方式。人工智能可从海量数据中学习，并基于学习的模型执行任务，而机器学习是人工智能中主要的核心领域，主要基于人类经验和知识所创建的预设规则而执行任务。其主要目的在于构建类似人脑的神经网络，运算模型主要包括人工神经网络和卷积神经网络。

机器学习主要包括了监督学习、非监督学习及深入学习等。监督学习中目前最常用的算法是人工神经网络和支持向量机。非监督学习包括了聚类算法和关联规则算法等。深入学习包括了循环神经网络、卷积神经网络以及深度神经网络[1]。

在这些机器学习方式中，比较值得提出的是支持向量机，它是一种二类分类模型。它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；支持向量机还包括核技巧，这使它成为实质上的非线性分类器。支持向量机的泛化错误率较低，具有良好的学习能力，且学到的结果具有很好的推广性，这些优点使得支持向量机十分流行。

2 人工智能预测房颤的应用

2.1 现有的房颤预测以及问题

房颤是一种常见的节律紊乱，与缺血性脑血管事件和心力衰竭的风险有关[3]。在人工智能应用于临床医学之前，大量的研究已经证实了多个可以预测房颤的危险因素，包括房颤病史、实验室数据(如心脏炎症生物标志物等)、影像学数据(如心脏计算机断层扫描、心脏磁共振成像、超声心动图等)和电生理数据。在机器学习的预测中，最常见的变量有年龄、种族、身高、体重、血压、吸烟状况、用药情况和合并症。另外一些心脏结构异常的变量，包括心房纤维化、心房扩大、二尖瓣反流和心房应变，已被证明是房颤的预测因素[6-8]。另外，其他的一些变量，如C型利尿钠肽、C反应蛋白、半胱氨酸蛋白酶抑制剂和血管内皮功能障碍等指标也被逐渐引入房颤的预测之中[9-10]。总体而言，有大量的临床变量已被证明可以单独或与其他变量联合来预测房颤。

2.2 机器学习应用于房颤预测

2.2.1 心电图结合临床数据预测房颤

在一项纳入了200万例受试者的大型研究中，Tiwari等[11]将200多个最常见的健康数据(包括人口统计学和共病数据)与机器学习模型相结合预测6个月之内的房颤，最后其曲线下面积(area under curve，AUC)为0.79，该结果与非机器学习的临床房颤风险评分是一致的。Sekelj等[8]对来自英国的200多万初级保健患者预测7年的房颤事件的研究中，另一种机器学习算法在训练数据集中AUC为0.83，而在验证数据集中AUC为0.87，这表明与传统的风险评分相比，机器学习模型性能更好。

在最近一项近300万例患者的英国的研究[11]中，研究人员将一种带有时变协变量的机器学习算法与Charge-AF风险评分进行了比较。研究结果提示时变模型的AUC为0.827，而应用于同一人群的Charge-AF风险评分的AUC为0.725，其中，充血性心力衰竭对房颤事件的预测贡献最大。虽然这些算法没有经过前瞻性的测试，也没有得到外部验证，但其样本量大、数据充分，可靠性有较大的保证。然而，现有的机器学习算法也存在诸多缺陷，许多因素会影响结果的真实性。首先，不同研究的随访时间差异很大，从6个月到10多年不等，这将导致随访时间不足，如Tiwari研究随访时间为6个月，可能由于随访时间较短而降低了测试性能，不能真正辨别出“真假阳性”。

2.2.2 心电图的数据模拟预测房颤

心电图的自动解析中监督学习最为常见，原因在于机器学习模型能够精准识别不同的心电图波形。此外，一些判断ST段变化以及房颤和传导阻滞的模型也被广泛应用[10]。例如，有研究者提出了一种新型的心律特征提取方法，该方法使用小波变换和自回归建模来描记心电图，然后运用支持向量机对不同心律失常进行分类。验证结果发现该方法对窦性心律、左束支传导阻滞、右束支传导阻滞、室性期前收缩和房性期前收缩测试准确度分别为100%、98.66%、100%、99.66%和100%。

此外，利用大量心电图的数据模拟医生分类和识别房颤是另外一种方法。后者可分为以下几类：(1)基于心电图波形预测房颤：主要是P波，其理论依据在于即使心脏结构似乎完全正常，在房颤发生之前，心房可能就存在纤维化、缺血、心肌肥大，这些可能导致轻微的、在心电图上肉眼难以察觉到的P波改变。以前的一些研究[12-14]结果表明，心电图表现如P波持续时间、离散度和振幅，以及心房期前收缩的形态和频率，已被证明可以预测房颤的发生，其AUC为0.69～0.87。当然，除P波改变之外，如QRS波群、T波改变也被用于预测房颤。一项研究[15]纳入了652例接受24小时动态心电图监测的患者。结果发现房性期前收缩收缩特征占收缩负荷百分比是房颤的危险因素，其AUC为0.58。此外，心电图的诸多成分已被证明与消融后房颤复发的风险相关。例如，在一项对140例患者的研究[16]中，包括房颤患者心电图的主导频率、规则指数和组织指数在内的多个心电图特征对房颤消融后的复发显示出预测价值。(2)基于心率变异性预测房颤：Ebrahimzadeh等[17]在53例心电图记录的患者中进行了一项小型研究，试图使用心电图监测中的心率变异性分析评估不同的机器学习技术以预测房颤。在这项自身对照研究中，所有患者都有阵发性房颤发作，其中房颤发作前30 min获得的5 min心电图节段(房颤标记)与房颤终止45 min后获得的5 min心电图节段(非房颤标记)进行比较。研究者从心率变异信号中识别出线性、非线性和时频特征，且发现组合的机器学习方法比传统的机器学习分类器(多层感知器、K最近邻和支持向量机)性能更好。

2.2.3 利用生物信息学数据预测房颤

其他的包括基于心电图时程以及导联也被应用于房颤的预测，但是，总体而言，研究较少，目前未得到广泛推广。此外，利用机器学习挖掘生物信息学预测房颤也逐渐成为现实。一项生物信息学研究[18]从基因表达综合(gene expression omnibus，GEO)数据库中下载了4个微阵列数据集，包括130个瓣膜性心脏病患者房颤或窦性心律的心房样本。采用微阵列荟萃分析来鉴定差异表达基因。研究者利用涉及微阵列荟萃分析的130个样本的训练集，将基于机器学习相关性的特征选择方法(correlation-based feature selection，CFS)引入了房颤的选定基因。结果鉴定出30种具有一致趋势的生物标志物。此外，通过CFS方法从30种生物标志物中选择了10个核心基因，包括8个上调基因(CD44、CHGB、FHL2、GGT5、IGFBP2、NRAP、SEPTIN6和YWHAQ)和2个下调基因(TNNI1和TRDN)。其准确率为87.5%，AUC为0.995。

2.2.4 房颤复发的预测

除了对房颤的预测之外，少量研究探讨了机器学习对于预测房颤复发的作用。国外的一项研究[19]探讨了机器学习预测射频消融术后房颤复发的风险：在训练集中，低风险组的AUC值为0.935，中危组的AUC值为0.855，高危组的AUC值为0.965。机器学习模型成功地预测了测试集中的高危组房颤的风险。这些结果提示机器学习成功地将射频消融术后进展为永久性房颤的高危患者进行了分类。这项结果也在另一个大型的观察性研究中得到了证实[20]。

3 展望与不足

人工智能已渗透入医学的方方面面，与传统统计方法相比，机器学习引入了云计算，在海量样本的支持下，更容易发现内在的规律，在预测房颤方面已经初步显示出优越性，此外，机器学习终端设备(如手机及智能设备)的出现可以给医疗提供实施决策，给患者带来较好的体验。然而，机器学习中，数据的清洗、数据库的整合以及伦理方面仍然存在诸多应用的难点，真正应用于临床仍然存在一定时间。