神经网络智能诊断系统在心室流出道室性期前收缩定位诊断中的开发和应用

李芳 罗玉寅 王萍 诸帆

心室流出道室性期前收缩是一种常见的心律失常[1]，正常人与各种心脏病患者均可发生。随着射频导管消融（下称消融）的快速发展，一些药物治疗效果差且室性期前收缩数量较多的患者会选择手术方式进行治疗。但消融术后效果与室性期前收缩部位的关系密切，因此对室性期前收缩的定位进行分析并初步确定室性期前收缩的发生部位，有助于评估手术风险及术后疗效[2]。在常规心电图检查中，室性期前收缩的定位过程较为复杂，且要求较高，分析时间较长。随着计算机和人工智能等技术的发展，心电图智能诊断技术应运而生，它能模拟人类逻辑思维和形象思维，对诊断对象的状态进行识别与预测[3-4]。本研究对神经网络智能诊断系统在心室流出道室性期前收缩定位诊断中的开发和应用作一探讨，以减少医务人员的劳动强度，提高室性期前收缩的快速定位分型。

1 对象和方法

1.1 对象 选取湖州市第一人民医院2018 年1 月至2020 年12 月就诊的4 398 例患者为研究对象，通过北京谷山丰心电网络工作站采集到实时传输标准心室流出道室性期前收缩常规12 导联心电图数据4 398 份。其中男2 500 例，女1 898 例；年龄16～70（45±12）岁。模型训练完成后，选取本院2017年1 月至2021 年1 月经消融证实为心室流出道室性期前收缩300 例进行临床应用测试，排除肌电干扰、基线不稳、交流电干扰、电极板脱落、肢体动作、电话铃响等造成的伪差。排除患有内外科急重症、其他心律失常、多形性室性期前收缩、多源性室性期前收缩的患者。本研究经本院医学伦理委员会审查通过，所有患者签署知情同意书。

1.2 神经网络智能诊断系统的开发

1.2.1 室性期前收缩人工诊断规则分类[5]第一步：确定室性期前收缩的Ⅱ、Ⅲ、aVF、V5、V6呈单向R 波，为心室流出道室性期前收缩。第二步：胸导联移行＞V3且移行指数＜0，为右心室流出道起源室性期前收缩；胸导联移行＜V3且移行指数＞0，为左心室流出道起源室性期前收缩。第三步：左心室流出道起源室性期前收缩，如果V1～V6均呈单向R 波，室性期前收缩部位在左冠状动脉窦（下称左冠窦）下，为主动脉-二尖瓣结合部起源室性期前收缩；如果V1～V6并非均呈单向R 波，室性期前收缩部位在主动脉瓣上。第四步：左心室流出道主动脉瓣上室性期前收缩，如果Ⅰ呈r 或m 型且无s 波，为右冠状动脉窦（下称右冠窦）起源室性期前收缩；如果不是，为左冠窦起源室性期前收缩。基于上述原则，本院3位副高及以上职称医师对4 398 份常规12 导联心电图数据进行人工判读，结果显示右心室流出道起源室性期前收缩2 957 份，左冠窦起源室性期前收缩885 份，右冠窦起源室性期前收缩365 份，主动脉-二尖瓣结合部起源室性期前收缩191 份。

1.2.2 室性期前收缩定位模型整体框架 提取心电图数据并进行滤波、陷波、数据标准化等预处理后，输入深度学习室性期前收缩分类网络，通过卷积网络提炼深层心电特征；输入1 为12 导联的RR 间期标准差、最大RR 间期、最小RR 间期、平均RR 间期、R 波密度、相邻NN 之差＞50 ms 的个数占整个窦性心搏个数的百分比（pNN50）、相邻RR 间期差值的均方根（RMSSD）、RR 间期采样熵、最大RR 间期与最小RR 间期的差值等10 个非特异性参数；输入2 为P 波时间、PR 间期、QRS 时间、QT 间期、QT校正间期、P 波电轴、R 波电轴、T 波电轴、心房率、心室率、PP 间期、RR 间期等12 维心电设备本身输出的全局参数；输入3 为12 导联QRS 时间振幅、R 波时间振幅、S 波时间振幅、R 波时间/QRS 时间、R 波振幅/S 波振幅等6 个室性期前收缩特征性参数。将室性期前收缩特征性参数和心电设备的全局参数进行特征拼接融合后导入注意力网络，完成深度学习室性期前收缩分类，实现心室流出道室性期前收缩定位的智能诊断。

1.2.3 深度学习室性期前收缩分类的核心结构 处理心电波形数据的卷积神经网络由卷积模块并联构成，每个卷积模块由2 个残差网络模块和1 个胶囊网络模块串联构成[6-9]。为实现数据标准化的效果，卷积模块前设置了批归一化层；每个卷积模型设置不同的卷积尺度，用于捕获各尺度下的卷积特征。通过深度学习室性期前收缩分类网络提取卷积特征并导入多头注意力层，同时将心电设备的全局参数输入多头注意力层，将两个特征进行特征拼接，随后导入下一个多头注意力层，完成卷积特征和传统特征的特征融合，然后输出预测结果[10-11]。

1.3 神经网络智能诊断系统的应用 采用人工诊断（由2 位副高及以上职称医师共同完成）、神经网络智能诊断系统等两种方式对300 例消融证实为心室流出道室性期前收缩数据进行分析与比较。

1.4 统计学处理 采用SPSS 21.0 统计软件。模型训练及验证结果以F1 值、灵敏度、特异度、阴性预测值和阳性预测值表示。计数资料组间比较采用χ2检验。P＜0.05 为差异有统计学意义。

2 结果

2.1 模型训练及验证结果 4 398 份数据经简单时序分割，其中80%用于模型训练，20%用于模型验证；结果显示总的F1 值为0.809，多标签均值阴性预测值为0.780，多标签均值阳性预测值为0.820；标签阈值以最优F1 值作为调整标准，整体更偏向于阴性预测值，可有效降低漏诊率，见表1。

表1 模型训练及验证结果

2.2 神经网络智能诊断系统临床应用结果 神经网络智能诊断系统与人工诊断对心室流出道室性期前收缩定位诊断符合率比较，差异均无统计学意义（均P＞0.05），见表2。

表2 神经网络智能诊断系统与人工诊断对心室流出道室性期前收缩定位诊断符合率比较[例（%）]

3 讨论

室性期前收缩可发生于各类心脏病患者，也可发生于正常人。其中冠心病、二尖瓣病变晚期、心肌病、心肌炎、甲状腺功能亢进性心脏病、二尖瓣脱垂、心力衰竭患者极易发生室性期前收缩[12]。消融是治疗心室流出道室性期前收缩的主要手段，其成功率高低取决于起源位置的好坏以及有无合并器质性心脏病。因此，术前对心室流出道室性期前收缩进行精准定位诊断，有助于评估手术风险及术后疗效。

本研究利用本院采集到的4 398 份实时传输标准心室流出道室性期前收缩常规12 导联心电图数据进行神经网络智能诊断系统开发，以提高心室流出道室性期前收缩的定位诊断。本研究开发的神经网络智能诊断系统采用模型提炼的特征参数、心电设备本身输出的全局参数与室性期前收缩特征性参数进行拼接，以取得更丰富的心室流出道室性期前收缩心电特征，从而获得更好的分类效果[13-15]。本研究结果显示，所开发的神经网络智能诊断系统在心室流出道室性期前收缩定位诊断中，右心室流出道起源室性期前收缩、左冠窦起源室性期前收缩、右冠窦起源室性期前收缩、主动脉-二尖瓣结合部起源室性期前收缩定位诊断的F1 值、灵敏度、特异度、阴性预测值和阳性预测值均较高。而人工诊断与神经网络智能诊断系统两种方式在临床应用中的结果比较显示，两者对心室流出道室性期前收缩定位诊断符合率差异均无统计学意义，这也证实神经网络智能诊断系统在心室流出道室性期前收缩定位诊断中具有较高的应用价值。

室性期前收缩定位分析费时、费力，且易误判，一般心电图室不出具室性期前收缩定位诊断结果。但是临床医生特别是电生理医生非常需要室性期前收缩的定位诊断，从而确定患者的治疗方案。本研究基于深度学习开发的神经网络智能诊断系统在心室流出道室性期前收缩定位诊断中具有重要应用价值，有助于室性期前收缩的快速定位分型。由于本研究现有相关数据较少，因此仍需累积大样本数据进行学习，以提高神经网络智能诊断系统的效能。