人工智能和常规诊断标准对使用心电图检测左心室肥大的性能的比较

人工智能和常规诊断标准对使用心电图检测左心室肥大的性能的比较
左心室肥大可以通过心电图、超声心动图、左心室造影和磁共振成像来检测。在这些方法中，超声心动图是准确的，被认为是诊断LVH的精标准。然而，超声心动图的成本和设备问题使其难以作为筛查工具。
心电图是高血压患者的一项基本检查，因为它成本低，可以提供心律失常、缺血性心脏病和LVH等信息。它是一种有用的LVH筛查测试，广泛使用计算机解释心电图；在心电图机的支持下，它可以为非心脏病专家提供心电图解释信息。然而，尽管提出了许多不同的标准，心电图识别左室肥厚的准确性仍不令人满意。以前的研究报道，心电图筛查左室肥厚的特异性超过90%，而敏感性低至15–30%。4准确性的差异与性别、年龄、体重指数和年龄等因素有关胸壁形态对QRS波电压的影响。现有的LVH心电图诊断模型由于统计上的局限性，反映这些变量及其相互关系的能力有限。
一种基于深度学习的人工智能（AI）算法最近在多个领域取得了最先进的性能，包括医学成像和诊断。深度学习的一个优点是在没有医学领域知识的情况下从给定数据中自动学习特征和关系。在本研究中，我们开发并验证了一种基于深度学习的人工智能算法，用于检测心电图左室肥厚，并将其性能与心脏病专家和传统方法进行了比较。在这里，我们可视化了人工智能算法的过程，并比较了LVH的领域知识。据我们所知，这项研究是第一个使用人工智能算法检测基于心电图的左室肥厚。
我们仅使用派生数据开发AI算法（图1）。我们使用人口统计学信息和心电图作为预测指标变量。我们使用四个变量（年龄、性别、体重和身高）作为人口统计信息。如图2所示，我们以两种方式使用ECG数据。首先，我们利用心电图的特征，如心率、心房颤动或扑动的存在、QT间期、QTc、QRS间期、R波轴和T波轴，来开发一个包含人口统计学信息的算法。其次，我们使用原始心电图数据。在12导联心电图的原始数据中，每导联有5000个数字，持续10s（500hz），一个心电图上总共有60000个数字。我们通过排除第一个和最后一个1s周期来使用8s的心电图数据，因为在这个范围内包含了更多的伪影。
因此，我们从每个心电图创建了124000个二维数据来开发和验证该算法。该算法采用了三种深度学习方法。首先，我们使用深度神经网络（DNN）开发了基于人口统计信息和ECG特征的算法，这是一种具有五个隐藏层、56个节点和退出层的深度学习方法（图2，黄色区域）。其次，我们开发了一个卷积神经网络（CNN）人工智能算法，只使用原始心电图数据（每个心电图的48000个点）。CNN是一种深度学习方法，具有二维卷积、最大池、展平和批标准化层（图2，蓝色区域）CNN算法不使用人口统计学信息和心电图特征，而是只使用心电图的原始数据。第三，我们开发了一个结合DNN和CNN的集成神经网络（ENN）算法。ENN算法同时包含DNN和CNN算法，以提高其性能（图2，绿色区域）。我们使用网格搜索来确定每层的节点数。实验确定了DNN层中的节点数，使用2到128之间的节点数作为层大小。