医疗AI｜听懂心的低语！人工智能在心电图领域的应用

互推小编 2024-01-06

文 / 腾讯医疗AI实验室杜楠编 / 袁月

【搜狐健康】众所周知，心血管疾病是人类健康的第一杀手，这个杀手究竟有多厉害？今年年初国家心脑血管疾病中心公布了《中国心脑血管报告2017》，在这个报告中推算出来中国心脑血管患者达到2.9亿。这是一个什么样的概念呢？这说明我们身边每5个人就有一个人患有心脑血管疾病。考虑到心脑血管疾病和年龄的高度关联性，我们成年人和周围的亲戚朋友患心脑血管的概率可能更大。数量那么大，死亡率又如何？无论在城市还是在农村，这个死亡率已经超过了40%。尤其在农村，基本上已经达到50%，所以心脑血管也是无愧于第一杀手的名头。从1990年开始至今，这二十五年来城市和农村的死亡率节节上升，相对于1990年农村在心脑血管疾病的死亡率甚至翻了一番。面对这么严重的心脑血管的威胁，我们又能做什么？一方面，我们继续倡导健康的生活方式，另一方面，我们身边有一个陪伴了我们100多年的设备，在当下这个历史条件下会赋予新的历史使命。毫无疑问，我为大家介绍的是心电图。

心电图发明至今110多年了，它在诊断疾病临床的意义和价值，保证了它未来发展壮大，还有非常大的前景。究竟是什么价值和意义，保证了这样一个100多年的设备在当今依然屹立不倒呢？主要有几方面的价值：

第一，价格很便宜。做一次静息心电只要10—30块钱，24小时心电100—300一次。

第二，无创无副作用。

第三，普及率高。看看周围的产品非常清楚，从家庭的手环、手表、胸贴、胸带，心电图设备覆盖了从生活到临床的各个环节。第四，覆盖面特别广。心电图能全医疗流程覆盖胸痛方面的疾病，这是它的临床价值。心电图对于心率失常、心率缺血的药用价值被无数论文验证，在此不需要我赘述。

既然这个设备那么成熟，运用那么久，当今人工智能又能给心电图带来什么？要回答这个问题，我们要看到一个心电图的困局。要做到对心电图做出基本准确的判断，一般需要一个在卫校培训三个月的护士才能判断。据心脏学会的统计报告，中国真正精通心电图的医生只有约3.6万人，每年全国有2.5亿人次做心电图检查，基本上是1：7000的比率，考虑到大量患者一天要做数十次的心电采集检查，医患不平衡更加严重。如果能用人工智能算法对这种产能的困局进行破局，我们认为这意义非常重大。

据我们观察，只要有四个方法算法给心电带来效率提高：

第一方面，临床监控。现在在急诊和老人院，医生需要对患者进行24小时心电监控，如果能用人工智能算法帮助医生在监控过程中释放压力，减少他们关注的压力，可以提高医生的效率。

第二方面，异常定位。现在在整个大医院，如果大家想要获特可能排一两个星期，能看的医生太少，如果通过人工智能的做法帮助医生看获特的时候快速发现异常，从而加快标注，就可以打破这个困局。

第三方面，诊疗辅助。越来越多家庭患者会通过各式家庭心电仪采集数据，上传到云平台，由远端的专家进行标注，但是这个远端的专家一来需要标注大量的量，比较疲劳，二来是对一些信号可能产生误判、漏判，但是有人工智能的辅助，就可以减少漏判、误判。

第四方面，风险预测，对术后、院后的患者，希望可以通过家庭设备观测这个变化，比如监测这个患者回家已经出现一个指数，可能会出现恶性心脏事件，我们会发一个通知，需要回去复诊，或者通知家人关注他的健康情况。

通过人工智能算法的引入，我们可以看到，对于患者而言得到更及时、更高质量的心电服务，对于医生来说，提高了诊疗效果，对于医院来说，打破了原有的产能困局，得到收益的创收，所以是多赢的局面。

我们看到人工智能给心电带来的赋能。从而引申一个问题，传统算法有什么瓶颈？作为人工智能公司，我们的破局方案是什么？我们在现实状况下又有一些什么成果？

首先，传统算法的瓶颈。我们看到传统算法主要有两个方向的瓶颈：

第一个瓶颈，数据。绝大部分厂商使用的训练数据来自国际的新标准EC57，这个数据主要有一个问题，数据量非常有限，一般是几十到一百多采样病例，这些病例主要采集欧美人士，和亚洲人有差别。二是公信力低，每个公司自己对数据有清洗和评价方式，导致各大厂商在精标准上跑分比较高，但是实际运用过程中结果不尽如人意，适配性差。

第二个瓶颈，算法的瓶颈。一个是算法依赖专家设计的特征，一方面耗时耗力，另一方面基于数据集进行显著分析才找到，由于数据样本量比较小，基于小样本得出的特征很难做成过拟合。二是传统算法往往只能使用心电信号作为模型的判别标准，但是患者还是有非常多信息的，临床情况下不只是知道患者的年龄、性别，还可能患者的既往史、家庭史、用药史，这对判别患者的异常事件都是非常有价值的。算法方面的缺陷也导致在临床使用中误报率非常高。

介绍一下我们采用什么方法破局。

第一，我们在采集数据上进行破局。我们非常注意数据的多元化，注意数据来自不同人群、不同设备、不同类型、不同地区，我们把不同采集员的数据进行一系列标准化，包括采集流程标准化、数据标注的标准化、审核流程标准化和脱敏，最后传到数据库进行模型训练。通过这样一系列流程，得出的心电数据，保证了数据的质量好、数据量大、覆盖面广。

第二，接下来介绍一下算法方面破局的思路。

先介绍一下我们怎么看待心电图的，我个人过去几年主要做自然语言理解方向，我第一次看到心电图，给我感觉心电图和语言很像，那一个个波段，语义就像语言一样，连起来变成一个个时间窗的时候就是一个一个句子，再一个一个串联起来就变成文章，也就是变成心电图了。文章有语义，有喜怒哀乐，心电图也有语义，那就是异常和正常。我认为自然语音理解的很多方法可以引用进来，所以我引入我今天演讲的题目心的低语，我们希望通过人工智能算法对它进行理解。

我引入了新的算法方式，我们把心电图拆成若干心搏和时间窗，对每一个心搏和时间窗进行卷积神经网络的提取，我们尝试理解词和句的心电图，再把词和句的心电图信息传统循环神经网络串联起来。我们非常在乎每一句话上下文的语义，最后判别这个心电图是心率失常还是其他的情况。

我们有三个相关技术点保证准确度：

一是迁移学习。我们采集数据的时候非常注重数据的多样性，对数据的制式、类型、场景都非常关注，如何把不同场景、不同的数据融合起来，我们通过迁移学习进行融会贯通。虽然数据有特异性，但是也有共性，间隔段有共通性，我们把它们联结在一起，一方面减少了对数据的依赖，也增强了适用性。

二是多模态学习。我们的算法是融入了病例数据，有非常强的文本理解的基础，我们认为文本信息对于心电有重大价值，所以我们融入了简单的年龄、性别，包括既往史、用药史、家庭史等等，我们放到模型中进行多模态的综合学习和综合推理。

三是可归因。我们不单只希望判断出心电图的异常是什么，还希望知道这个异常出现在哪个心搏和哪个时间段，所以采用可归因的方法，尝试对每一个心搏和时间窗进行分析，最后得知哪一个是原因。

基于这样的一套思路，介绍一下我们现在有什么成果。首先我们和合作伙伴，北京心韵恒安公司在家庭场景进行测试，用户根据采集自身的心电图数据，通过APP上传到我们的服务引擎，我们会通过12导联心电信号，包括患者输入的年龄、性别和症状信息，综合判断潜在的异常，并提供给远端标注的医生，医生基于我们提供的潜在异常给出自己的判断。现在我们给出的异常做得比较专注的是六大类，除了正常和噪声，还提供房性早搏、心房颤动、室性心搏、T波倒置。尤其是防早和防颤上我们做的还是有一些成果的。整个流程中，一方面对用户来说减少了等待时间，对医生来说，缩短了诊疗时间，减少了漏误诊的概率。今天我们也邀请了北京心韵恒安公司展示这个产品，大家有空可以去展台体验一下。

最后，我们想通过这样一个工作有什么样的愿景？我们想通过人工智能技术赋能传统的心电设备，打破现有心电设备的产能困局，通过腾讯云的技术平台，把这样的能力辐射到心电设备和心电服务场景，为更多心脑血管患者提供服务。