引用本文

孙庆华, 王磊, 王聪, 王乾, 吴伟明, 赵媛媛, 王喜萍, 董潇男, 周彬, 唐闽. 基于确定学习及心电动力学图的心肌缺血早期检测研究. 自动化学报, 2020, 46(9): 1908−1926 doi: 10.16383/j.aas.c190899

Sun Qing-Hua, Wang Lei, Wang Cong, Wang Qian, Wu Wei-Ming, Zhao Yuan-Yuan, Wang Xi-Ping, Dong Xiao-Nan, Zhou Bin, Tang Min. Early detection of myocardial ischemia based on deterministic learning and cardiodynamicsgram. Acta Automatica Sinica, 2020, 46(9): 1908−1926 doi: 10.16383/j.aas.c190899

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190899

关键词

心电动力学图，心肌缺血，确定学习，心电数据集 

摘要

心肌缺血早期检测是心血管疾病领域重要且困难的问题. 本文采用心电动力学图(Cardiodynamicsgram, CDG)开展心电图正常及大致正常时的心肌缺血早期检测研究. 1) 在分析已有基于心电图的心肌缺血检测方法所取得的进展及不足基础上, 构建一个既有心电图发生缺血性改变、又有心电图正常及大致正常、且包括经冠脉造影检验为冠脉阻塞性病变和非阻塞性病变的较大规模心肌缺血数据集. 2) 针对上述数据集中393例心电图正常及大致正常患者, 利用确定学习生成每份心电图的心电动力学图, 提取对心肌缺血和非缺血具有显著区分能力的心电动力学特征. 并以冠脉狭窄≥≥50%为缺血标准, 采用机器学习算法构建心肌缺血检测模型. 3) 针对上述试验中假阳性病例, 利用由确定学习生成的具有明确物理意义的心电动力学图进行逐例分析, 发现其中许多假阳性存在慢血流现象(即冠脉非阻塞性病变). 对这些慢血流病例重新进行缺血标注, 以改善心肌缺血数据集标注精度. 通过上述三个步骤构建了更为准确的心肌缺血检测模型, 其缺血检测结果: 灵敏度90.1%、特异度85.2%、准确率89.0%和受试者工作特征曲线(Receiver operating characteristic curve, ROC)下面积(Area under curve, AUC) 0.93. 综上, 本文所构建的较大规模心肌缺血数据集可为心肌缺血检测研究和临床研究提供重要的数据基础; 且构建的心肌缺血检测模型对心电图正常及大致正常患者具有较强的缺血检测能力; 特别是, 由确定学习生成的心电动力学图具有较好的可解释性, 有助于发现缺血数据标注的偏差和模型的错误, 提高心肌缺血检测准确率.

文章导读

缺血性心脏病(Ischemic heart disease, IHD) 是世界范围内的首要致死原因. 据2018年世界卫生组织(World Health Organization, WHO)统计, 全球每年约有943万人死于缺血性心脏病[1]. 如果能够对缺血性心脏病早期检测并采取有效措施, 就能减少因心肌缺血导致的急性心肌梗塞、甚至猝死等恶性心血管事件, 挽救更多生命. 因此, 缺血性心脏病早期检测具有重要意义.

缺血性心脏病是一组以心肌供氧和耗氧失衡(即心肌缺血)为特征的临床综合征, 临床类型和病因复杂多样[2-3], 如图1所示. 冠心病(Coronary artery disease)是最常见的临床类型, 主要病因是冠脉粥样硬化导致的冠脉狭窄和急性冠脉闭塞.

图 1  心肌缺血病因及临床类型

心肌缺血有多种临床诊断方法, 如图2所示. 心电图(Electrocardiograph, ECG)、冠脉CT血管造影(Computed tomography angiography, CTA)及冠脉造影(Coronary angiography, CAG)是诊断心脏疾病的常用临床手段[4-5], 对心肌缺血诊断具有重要价值. 然而, 近年来越来越多的临床研究[6-9]表明, 冠脉狭窄程度并不能直接决定心肌缺血的严重程度. 虽然核素心肌灌注显像(Myocardial perfusion imaging, MPI)、心脏磁共振成像(Cardiac magnetic resonance imaging, CMR)和冠脉血流储备分数(Fractional flow reserve, FFR)等功能学方法可诊断心肌缺血, 但操作复杂、价格昂贵, 且存在辐射或创伤风险[9-10]. 因此, 尽管临床上已有上述多种先进的心肌缺血诊断技术, 但由于诊断方法的种种局限, 在许多情况下准确评估患者是否存在心肌缺血依然十分困难, 因而建立标注准确的大规模心肌缺血临床数据集是一项困难且成本昂贵的任务.

图 2  心肌缺血诊断方法

心电图是目前诊断心肌缺血最常用和最基本的方法. 心电图是心脏电活动在体表的综合表现, 蕴涵着丰富的反映心脏功能的病理和生理信息, 尤其是心电图中ST段抬高、ST段压低和T波倒置等缺血性变化对心肌缺血诊断具有重要价值[11]. 然而, 心电图对心肌缺血的诊断敏感性不高, 临床中许多心肌缺血患者的心电图表现正常或大致正常(即ST段和T波轻微改变, 临床上称为非特异性改变)[12-14].

为进一步提高心电图在心肌缺血早期检测上的应用价值, 人们仍在持续不断地对心电图进行改进, 相继提出多种基于机器学习的心电图自动分析方法, 其思路是通过波形分析、傅里叶变换及小波变换等方法, 提取心电图的时域、频域、时频域及其他变换域特征[15-18], 然后利用神经网络(Neural networks, NNs)[19]、支持向量机(Support vector machine, SVM)[20]等机器学习方法进行心电波形分类及缺血检测. 2017年美国密歇根大学Ansari等对过去30多年基于心电图的心肌缺血和梗死检测方法进行了较为全面的综述[21]. 在上述方法中, 心电图时域分析方法提取心电图中各特征波形的时域信息[22-23], 具有直观性强、物理意义较明确等优点, 比较符合临床医生的诊断习惯[21], 但无法有效区分心电图中微小的缺血变化. 心电图时频域分析则利用傅里叶变换、小波分析等[15-16, 20, 24] 提取心电图的频域内特征分布、变换系数等[16, 24], 但这类方法通常无法解释心肌缺血的病理生理机制, 难以被临床医生理解和采用[21].

在心电图特征提取基础上, 人们采用NNs、SVM等机器学习方法在德国PTB心电数据集[25]、欧洲ST-T数据集[26]等心电数据集上训练心肌缺血/梗塞检测模型. PTB心电数据集是德国联邦物理技术研究院(Physikalisch-Technische Bundesanstalt, PTB)提供的、广泛应用于心电信号相关算法的测评. 然而, PTB数据集存在以下局限: 1)数据集中心肌缺血/梗塞患者的心电图大多已发生明显缺血性改变, 缺乏正常或非特异性改变的心电图; 2)数据集中心肌梗塞患者主要根据冠脉造影所检测的冠脉狭窄进行缺血数据标注, 未考虑非阻塞性冠脉病变(如冠脉慢血流)所导致的缺血情况. 因而PTB数据集缺乏临床代表性. 另一方面, 近年来随着人工智能快速发展, 深度学习也开始应用于心肌缺血检测研究[27-29], 并利用PTB等数据集建立心肌缺血/梗塞检测模型. 然而建立有效的深度学习缺血检测模型需要大规模标注准确的心电数据集[30], 而PTB心电数据集规模较小. 为此, 一些研究将一份心电记录分成多次甚至单次心跳的多个数据短段, 但这种做法无法代表真实人群中心肌缺血/梗塞的心电波形变化. 因此, 尽管基于机器学习及PTB心电数据集的心肌缺血/梗塞检测研究取得了一定的进展, 但由于所采用方法的局限或所用数据集的不足, 这些基于机器学习的心肌缺血心电图检测方法很少甚至没有在临床中得到应用[21]. 因而, 在临床上构建包含心电图正常及大致正常、且包含冠脉阻塞性和非阻塞性病变的较大规模心肌缺血数据集, 对心肌缺血相关检测算法研究具有重要意义.

心电动力学图(Cardiodynamicsgram, CDG)是我们近年来提出的一种用于心肌缺血检测的心电图分析新方法[31]. 心电动力学图基于动态环境机器学习方法—确定学习[32], 通过对心电图中ST-T段进行动力学建模, 提取心电信号中与心肌缺血相关的微弱动力学信息, 并将其三维可视化显示得到心电动力学图[31]. 我们在北京阜外医院开展了心电动力学图检测心肌缺血的临床预试验研究, 初步结果表明心电动力学图能够在心电图正常或大致正常时对疑似冠心病患者的缺血状况进行较为准确的检测[33].

本文在分析已有基于机器学习的心电图心肌缺血检测方面取得的进展及不足基础上, 首先构建既有心电图发生缺血性改变、又有心电图正常及大致正常、且包括经冠脉造影检验发生冠脉阻塞性病变和非阻塞性病变的较大规模心肌缺血数据集. 按照统一的纳入和排除标准, 在中国医学科学院北京阜外医院(简称阜外医院)和新疆石河子市人民医院(简称石河子医院)这两个医学中心, 共收集781例接受冠脉造影检测的疑似心肌缺血患者, 其中阜外医院500例, 石河子医院281例. 所建立数据集中包含患者基本信息、心电图、冠脉造影等临床信息. 该数据集中的心电图由经验丰富的临床医生进行判读, 其中缺血性心电图388例, 正常或大致正常心电图393例; 同时, 根据冠脉造影结果, 该数据集包含冠脉狭窄≥50% (冠心病)患者665例, 冠脉无明显狭窄者116例(其中冠脉慢血流35例, 冠脉无明显病变81例). 本文所构建的心肌缺血数据集相比于PTB数据集, 具有规模更大、更贴近临床实际和更具有代表性等特点, 将为基于心电图的心肌缺血检测研究提供重要的数据基础.

其次, 研究心电动力学图对上述数据集中的心电图正常或大致正常患者的心肌缺血检测能力. 针对上述数据集中心电图正常或大致正常的393例疑似心肌缺血患者, 利用确定学习对每份心电图数据进行动力学建模生成心电动力学图, 提取对缺血和非缺血患者具有较强区分能力的心电动力学特征. 并以冠脉狭窄≥50%为心肌缺血标准, 利用常规机器学习算法构建有效的心肌缺血检测模型, 该模型的灵敏度85.1%、特异度82.6%、准确率87.8%和受试者工作特征曲线(Receiver operating characteristic curve, ROC)下面积(Area under curve, AUC) = 0.88. 结果表明心电动力学图对心电图正常或大致正常患者的心肌缺血状况具有较强的检测能力. 进一步, 由确定学习对心电信号建模生成的心电动力学图具有明确的物理意义和良好的可解释性, 即心电动力学图代表与心肌缺血密切相关的复极离散度变化率, 我们对上述试验结果中假阳性(即冠脉造影无明显异常, 数据标注为非缺血, 但心电动力学图阳性)患者进行逐例分析, 发现许多假阳性病例存在冠脉慢血流现象. 因而对这些病例重新进行缺血标注, 并基于心电动力学图重新构建更为准确的心肌缺血检测模型, 其灵敏度90.1%、特异度85.2%、准确率89.0%和AUC = 0.93.

综上, 本文构建了双中心较大规模心肌缺血数据集, 既包含心电图发生缺血性改变、又包含心电图正常及大致正常、且经冠脉造影检验为冠脉阻塞性病变和非阻塞性病变的心肌缺血病例, 更贴近临床实际, 更具代表性, 为基于心电图的心肌缺血检测方法和临床研究提供重要的数据基础; 同时, 经由确定学习对每份心电图生成的心电动力学图具有明确物理意义和良好可解释性, 不仅能够对心电图正常或大致正常的冠心病患者进行较为准确的心肌缺血检测, 而且还可以对试验结果中的假阳性病例进行详细分析, 发现缺血数据标注的偏差和模型存在的问题, 以改善心肌缺血数据标注精度, 提高心电动力学图对心电图正常或大致正常心肌缺血的检测准确率.

本文安排如下: 第1节介绍心电图、冠脉造影及慢血流、确定学习及心电动力学图等预备知识; 第2节构建既包括心电图缺血性改变、心电图大致正常及正常, 且包括冠脉阻塞性病变和非阻塞性病变的双中心较大规模心肌缺血数据集; 第3节在上述双中心数据集中研究可解释性心电动力学图对心电图正常或大致正常心肌缺血患者的检测能力, 建立准确的心肌缺血检测模型; 第4节则给出本文结论.

图 3  典型的心电图

本文开展心电动力学图对心电图正常或大致正常患者的心肌缺血早期检测研究. 在分析已有机器学习方法在基于心电图的心肌缺血检测方面取得的进展及不足基础上, 构建了更贴近临床实际、更具代表性的双中心较大规模心肌缺血数据集, 其中既有心电图已发生缺血性改变、又有心电图正常及大致正常、且包括经冠脉造影检验发生冠脉阻塞性病变和非阻塞性病变的数据. 该数据集为心肌缺血相关检测方法和临床研究提供了重要的数据基础. 其次, 利用确定学习生成每份心电图的心电动力学图, 提取对心肌缺血和非缺血具有显著区分能力的动力学特征, 并利用常规机器学习算法即建立了有效的心肌缺血检测模型. 最后, 利用由确定学习生成的具有明确物理意义的心电动力学图对假阳性病例进行逐例分析, 对分析中发现的慢血流病例重新进行了缺血标注, 改善了数据集缺血标注精度, 获取了对心电图正常或大致正常心肌缺血患者更有效的检测模型. 本研究表明由确定学习生成的心电动力学图具有良好的可解释性, 有助于发现缺血数据标注的偏差和模型的错误, 提高心肌缺血检测模型性能, 有望成为用于临床分析心肌缺血的有效工具.

本文研究仍存在一定局限: 由于心肌缺血早期检测问题非常复杂, 我们仅考虑了冠脉狭窄、慢血流对心肌缺血的影响, 尚未评估冠脉痉挛、X综合征等其它心肌缺血因素. 后续研究将进一步提高数据集的规模和数据缺血标注精度; 并在数据规模足够大时, 考虑与深度学习等复杂分类模型结合, 以进一步提高心电动力学图对心肌缺血的早期检测性能.

作者简介

孙庆华

华南理工大学自动化科学与工程学院博士研究生. 主要研究方向为确定学习理论、动态模式识别及其在心肌缺血/心肌梗死/冠心病检测上的应用. E-mail: ausunqinghua@mail.scut.edu.cn

王磊

石河子市人民医院(石河子大学医学院第三附属医院)心内科主治医师. 主要研究方向为冠心病. 共同第一作者. E-mail: wangleishitoukang@163.com

王聪

山东大学控制科学与工程学院、山东大学智能医学工程研究中心教授. 主要研究方向为动态环境机器学习与模式识别, 确定学习理论, 基于模式的智能控制, 振动故障诊断及在医学领域的应用研究. 本文通信作者. E-mail: wangcong@sdu.edu.cn

王乾

山东大学控制科学与工程学院博士后. 主要研究方向为确定学习, 故障诊断与健康预测. E-mail: auwangqian@sdu.edu.cn

吴伟明

华南理工大学自动化科学与工程学院博士研究生. 主要研究方向为系统辨识, 确定学习, 动态模式识别. E-mail: auwuweiming@163.com

赵媛媛

石河子市人民医院(石河子大学医学院第三附属医院)副主任护师. 主要研究方向为急性心肌梗死患者的护理.E-mail: zyy457027952@163.com

王喜萍

石河子市人民医院(石河子大学医学院第三附属医院)心内科主任医师. 主要研究方向为冠心病.E-mail: wangxiping1567@163.com

董潇男

中国医学科学院阜外医院医师. 主要研究方向为心律失常的诊断和介入治疗. E-mail: guitardxn@163.com

周彬

中国医学科学院阜外医院博士研究生. 主要研究方向为心律失常. E-mail: zhoubinxhfw@163.com

唐闽

中国医学科学院阜外医院主任医师. 主要研究方向为各种器质性心脏病、先天性心脏病和心功能不全合并心律失常的诊疗, 尤其是心房颤动、心房扑动、房性心动过速、室性早搏、室性心动过速、阵发性室上性心动过速等复杂心律失常的射频消融治疗和起搏器电极拔除治疗. 本文共同通信作者. E-mail: doctortangmin@hotmail.com