极目新闻通讯员田娟

华中科技大学同济医学院附属同济医院心血管内科杨晓云主任医师和朱红玲医生团队研究开发了一种基于深度神经网络学习的心电图智能诊断模型，不仅提高了心脏肥大/扩大的诊断效能，而且为检测策略从被动向主动的转变提供了强有力的工具。近日，此项研究成果在国际著名期刊《新英格兰医学·人工智能》上正式发表。

心脏肥大/扩大的早期诊断对于预防心力衰竭、心律失常及猝死至关重要。传统的诊断方法，如超声心动图和心脏磁共振成像因成本高和设施限制，难以作为广泛筛查工具。因此，迫切需要转变当前被动检测策略为主动积极检测策略，通过常规检查和日常健康监测，提高对心脏肥大/扩大及其相关疾病（如高血压和瓣膜性心脏病）的检测率。

研究团队通过对93,824名患者的112,685份心电图大数据进行深度神经网络学习，开发了心电图-Cor-Net模型。该模型通过提取与心脏疾病相关的波形特征揭示所隐藏的心脏病理信息，模型诊断的平均准确率达到85.1%。这一创新不仅提高了诊断心脏肥大/扩大的准确性，而且为早期进行干预进而减少心力衰竭和猝死的发生提供了依据。

研究团队比较了该模型与六名心电图医生的诊断成绩，采用另一家医院和公共数据集的外部数据来评估其泛化能力。模型诊断水平均高于医生水平，平均敏感性提高至医生水平的两倍。这是国内外首次在超声心动图匹配的心电图基础上采用人工智能算法检测心脏肥大/扩大的研究。

此外，该研究还引入了一种聚合归因分数的新方法，探讨心电图导联的重要性。研究发现只需4个导联（I、aVR、V1和V5）就可准确地诊断心脏肥大/扩大，诊断结果与已建立的诊断标准相符。该项研究结果有望取代传统的12导联心电图，为设计便携式心电设备、朝着简化导联进行高效心电图诊断迈出了一步。

研究结果展示了利用深度神经网络学习技术和精简心电图导联来提高对心脏肥大/扩大诊断效率的潜力，这对未来开发便携式健康监测设备提供了新思路。