3月15日,《Med》(医学)杂志在线发表了华中科技大学武汉光电国家研究中心李强教授团队及其合作者的研究论文《Artificial-intelligence-based risk prediction and mechanism discovery for atrial fibrillation using heart beat-to-beat intervals》 (基于人工智能模型利用心跳间期信息预测房颤风险与发现房颤机制)。团队开发了预测房颤风险的可解释性人工智能模型,首次实现了仅使用窦性心律期间的心跳间期即可准确预测个体未来房颤发生风险,在超20000例临床数据上验证了其有效性,比目前常用临床方法性能提升了超10%。该人工智能模型具有良好的可解释性,其工作机制能被临床医生所理解和学习,提高其房颤风险预测能力。此外,该人工智能模型可被用于房颤发作机制研究,发现自主神经不平衡在房颤发生发展过程中发挥着比以往认知更重要的作用。该成果是人工智能在临床心血管领域的一次成功应用,为医学人工智能的临床落地提供了新范式。
![](/__local/B/5E/D5/B51B4DADB1D53F9C64916194A21_7FB5C3A4_9F1E8.png?e=.png)
图1 研究论文的整体内容示意图
房颤是最常见的快速心律不齐,会导致中风和心衰等严重并发症。提前预测房颤风险并干预,能有效提升房颤诊疗效率与降低并发症的发生。但目前临床上常用的基于临床指标打分以评估房颤风险的方法性能不高,缺乏一种面向普通人群且简单易行的房颤风险预测方法。以深度学习为代表的人工智能方法在疾病检测方面表现出了巨大潜力,但常规深度学习模型因其“黑盒”特性往往难以被临床医生所理解与信任。因此,开发一种能被临床医生所理解和信任的深度学习模型来实现方便快捷的房颤风险预测成为了一项挑战。
![](/__local/8/EF/85/AAFC2C879F2329CC4F865202B55_6730E5AD_2167F.png?e=.png)
图2 人工智能模型预测房颤风险的性能评估结果
针对这一问题,李强教授团队与华中科技大学同济医学院同济医院林凡等医生合作,收集了超20000例临床病人24小时动态心电图数据提取的心跳间期数据,开发了一种多尺度时序信息提取与Grad-CAM相结合的可解释深度学习模型(HBBI-AI),直接利用窦性心律期间的心跳间期数据来预测未来房颤风险。使用24小时的心跳间期数据,该模型在社区场景下取得了0.836的灵敏度和0.906的特异性,医院场景下取得了0.786的灵敏度和0.799的特异性,较目前最有效的C2HEST score方法,在两种场景下性能分别提升了13.7%和10.9%。进一步分析表明,使用15分钟的心跳间期数据可以取得跟使用24小时数据类似性能,这表明该方法在可穿戴式设备上具有巨大应用前景。
该模型具有良好的可解释性,通过模型可解释性分析发现,心跳间期特别平稳或差异很大是房颤高风险的特征,且该特征是由自主神经失衡导致。13名临床医生参与的观测实验进一步证实,该模型可解释性能够被医生所理解和信任,使得开始无法根据心跳间期预测房颤风险的医生在学习模型可解释性后获得了这一能力,表明临床医生能够从可解释性人工智能中学到新知识。
![](/__local/1/57/36/C2A11C4CB89F15A875E03FDA874_099266A6_68C0B.png?e=.png)
图3 人工智能模型发现的房颤高风险因子与房颤发生发展机制
最后,该模型被进一步应用于辨识潜在的房颤风险因子以及发现潜在的房颤发生发展机制。其中,发现了如心肌炎与系统性红斑狼疮等新的房颤风险因子,以及证明了瓣膜性心脏病等超20种房颤风险因子在房颤发生发展中的作用都与自主神经失衡相关。这些发现表明可解释性人工智能模型可以成为疾病机制研究的新工具,且能大大提升疾病机制研究效率。总的来说,这项研究为临床研究人员和人工智能之间的合作提供了一种新的范式,展示了可解释性深度学习模型在传统循证医学体系中新的应用方向。
华中科技大学为唯一通讯作者单位,华中科技大学同济医学院附属同济医院林凡、华中科技大学武汉光电国家研究中心博士后张鹏为论文共同第一作者,华中科技大学武汉光电国家研究中心李强教授与华中科技大学同济医学院附属同济医院马飞为共同通讯作者。该研究得到了国家重点研发计划(2022YFE0200600)、国家自然科学基金(62006087)、国家自然科学基金创新研究群体科学基金(61721092)、武汉光电国家研究中心主任基金的资助。