心肌梗死（心梗）具有致死率高、突發性和隱蔽性強等特點，臨床上存在診斷不及時、誤診和漏診等問題。心電圖檢查是診斷心梗最簡單和快速的方法，開展基于心電圖的心梗智能輔助研究具有重要意義。本文首先介紹心梗的病理生理機制及其心電圖的特征性改變；在此基礎上，分別綜述了心電圖特征點提取與形態識別方法、基于機器學習和深度學習的心梗輔助診斷方法，并著重對比分析了不同方法所用模型、數據集和數據量、導聯數和輸入模式、模型評估方式和效果，最后從心梗數據增強、心電圖特征點提取、動態特征提取、模型泛化性與臨床可解釋性等方面歸納目前存在的問題并對發展趨勢進行展望，可望為心梗智能輔助診斷等相關領域的科研工作者提供參考。
引用本文： 韓闖, 闕文戈, 王治忠, 王松偉, 李艷婷, 師麗. 基于心電圖的心肌梗死智能輔助診斷方法研究綜述. 生物醫學工程學雜志, 2023, 40(5): 1019-1026. doi: 10.7507/1001-5515.202212010 復制
0 引言
根據《中國心血管健康與疾病報告2021》顯示，冠心病患病人數約1 139萬，且死亡率呈整體上升趨勢[1]。心肌梗死（簡稱：心梗）是冠心病中最具致命性的疾病，死亡率高。冠狀動脈（簡稱：冠脈）造影是心梗診斷的金標準，但其為有創檢測；而心電圖具有快速及時和簡單無創的特點，已成為臨床上輔助醫生診斷心梗的重要檢測手段。臨床研究表明，心電圖與冠脈造影在對心梗診斷的陽性診斷率上，其差異不具有統計學意義。其中，12導聯心電圖主要由肢體導聯和胸導聯組成，其中肢體導聯包含I導聯、II導聯、III導聯、加壓單極右上肢（augmented voltage right upper limb，AVR）導聯、加壓單極左上肢（augmented voltage left upper limb，AVL）導聯和加壓單極左下肢（augmented voltage left lower limb，AVF）導聯；胸導聯包含V1～V6導聯，各導聯心電圖由周期性變化的心拍組成。如圖1所示為心拍組成示意圖，主要包含四波和四段，其中四波是指P波、QRS波、T波、U波；四段指PR間期、QRS時間、ST段、QT間期。
圖1
心電圖的心拍組成示意圖
Figure1.
Schematic diagram of electrocardiogram beat
開展基于心電圖的心梗輔助診斷研究具有重要的理論意義和應用價值。首先，其為心梗的早期預警與精準防治提供了理論參考；其次，準確診斷心梗能夠為患者爭取最佳治療時機，保障患者生命安全；然后，心梗輔助診斷系統可減輕心電圖室醫生的工作負擔，輔助偏遠地區臨床醫生判讀心電圖；最后，高準確率的心梗輔助診斷算法能夠服務于穿戴式心電監測設備的研發與智能監護。
心梗智能輔助診斷的核心技術可以歸納為心電圖特征提取和分類器設計兩個子問題，其中特征提取是指采用各類方法將心電圖映射到特征空間，如時域分析、頻域分析、時頻域分析、基于深度學習自動提取特征的方法等；分類器設計是指在特征空間中構建高度復雜的非線性函數以實現心梗的輔助診斷。心梗患者不同發病時期的心電圖QRS波、ST段和T波形態動態變化，且不同梗死病變部位對應心電圖多個不同導聯，準確檢測及定位心梗、確定心梗發病時期，是極具挑戰的難題。國內外研究者開展了大量心梗輔助診斷算法的研究，也有不少研究者對此進行了相關綜述。然而，由于其涉及的各個技術環節相對分散，尤其未從不同心梗病期和不同梗死病變部位在心電圖的特征性改變方面，系統完整地梳理心梗智能輔助診斷研究中的所有技術環節，致使研究者難以將醫生診斷邏輯與策略用于心梗的智能輔助診斷研究中，從而制約了對可解釋心梗診斷模型的進一步探究。
因此，本文首先闡述了心梗的病理生理機制及其心電圖的特征性變化，然后將心梗輔助診斷技術環節中涉及的心電圖特征點提取、形態識別、基于機器學習和深度學習的心梗輔助診斷方法予以綜述，最后歸納了現有研究存在的問題并展望了發展趨勢，期望對相關讀者有所幫助。
1 心梗病理生理機制與心電圖表現
心梗是冠脈急性、持續性缺血缺氧所引起的心肌壞死，基于冠脈內不穩定的粥樣硬化斑塊破裂、出血，并引發血栓形成，致血管完全閉塞，從而引發對應的心肌因供血不足逐步發生局部缺血、損傷和壞死。根據心梗發生時心電圖ST段是否抬高，分為ST段抬高型心梗和非ST段抬高型心梗，前者本質為冠脈血管完全閉塞，且患者有明顯癥狀，死亡率高，一般采用溶栓治療；后者的冠脈尚未完全閉塞，隨時可能發展為ST段抬高型心梗，且患者無明顯癥狀，心電圖無特異性[2]。根據心梗病變位置不同，可分為下壁心梗、前間壁心梗、前壁心梗、廣泛前壁心梗、高側壁心梗、前側壁心梗和心尖部梗死等，如表1所示為不同病變部位梗死對應的心電圖導聯。
表1
不同病變部位梗死對應的心電圖導聯
Table1.
Corresponding leads of electrocardiograms for infarction in different lesions
隨著心肌缺血、損傷、壞死的發展和恢復，心梗患者的心電圖具有一定的演變規律，主要表現為病理性Q波從無到有、ST段抬高到逐步恢復正常、T波高尖到直立及倒置。按照心梗對應心電圖波形的演變和發病時期，可分為超急性期、急性期、亞急性期和陳舊期。在整個演變過程和各個時期，如圖2所示為心電圖QRS波、ST段和T波的動態變化過程。首先，超急性期是指發病數分鐘到數小時內，大都在2 h內，對應心電圖先出現高尖的T波，隨后較短時間內ST段表現為凹面向上型或斜直型抬高，且無病理性Q波；其次，在數小時到數天內心電圖出現病理性Q波，ST段多呈現弓背向上型抬高，嚴重者出現墓碑型或者巨R型ST段抬高，T波隨ST段改變常呈現直立、倒置或正弦波等形態，逐步發展為急性期；然后，在數天到數周內對應的心電圖ST段逐步恢復基線，病理性Q波仍存在，T波多倒置，此時處于亞急性期；最后，ST段完全恢復到基線，表現為ST段正常，T波多直立或倒置，此時多發生于心梗發生后數月，且持續數年甚至終身均出現病理性Q波，此時處于陳舊期。
圖2
心梗的心電圖波形演變過程及分期
Figure2.
Evolution of electrocardiogram waves and periods of myocardial infarction
鑒于心梗的臨床分析與治療需求，權威專家又將分期分為：超急性期、急性期和陳舊期，主要是因為亞急性期的ST段是逐漸變化的，不易衡量和準確鑒別，如表2所示為不同心梗病期心電圖的表現。
表2
心梗不同分期心電圖表現
Table2.
Changes of electrocardiograms in different periods of myocardial infarction
2 心梗輔助診斷技術環節
基于心電圖的心梗智能輔助診斷關鍵技術涉及心電圖特征點提取、心電圖形態識別、基于機器學習和深度學習的心梗輔助診斷方法。其中定位特征點是心電圖形態識別和實現心梗輔助診斷的基礎，根據心梗病理生理機制與心電圖表現等醫學知識可知，心梗患者心電圖形態與心梗發病時期、病變部位密切相關，是建立可解釋心梗輔助診斷模型的基礎；建立心梗輔助診斷模型的方法可分為兩類，一種是通過設計人工特征，建立基于機器學習的輔助診斷模型；另一種是通過自動學習特征，建立基于深度學習的輔助診斷模型。下面將針對上述所提關鍵技術進行詳細介紹。
2.1 心電圖特征點提取技術
近年來，隨著深度學習技術在機器視覺、語音識別和自然語言處理等領域的成功應用，相關方法也開始逐步用于心電圖QRS波和ST—T段檢測。He等[3]提出了一種基于U型網絡（U-net）和雙向長短期記憶（long short-term memory，LSTM）網絡的QRS波群檢測方法，在美國麻省理工學院與貝斯以色列醫院（Massachusetts Institute of Technology and Beth Israel Hospital，MIT-BIH）心律失常數據庫上，QRS波檢測的靈敏度為99.56%。Liu等[4]分別設計了基于密集連接結構和注意力機制的雙向LSTM網絡、基于U-net結構的雙向LSTM 網絡、基于巢穴U-net（U-Net++）結構的雙向LSTM 網絡，并通過集成學習融合上述網絡實現QRS波的檢測；其研究結果表明，集成學習的方法可使QRS波檢測的準確度有所提升。Peimankar等[5]建立了融合一維卷積神經網絡（convolutional neural networks，CNN）和LSTM網絡的模型，并在公開數據庫上進行驗證，QRS波起止點的敏感度分別為99.75%和99.36%。劉近貞等[6]提出了一種基于分段能量與平穩小波變換的方法對T波進行檢測，準確率高于95%。Londhe等[7]設計了包含一層CNN、兩層雙向LSTM網絡和歸一化指數函數（softmax）層的心電圖特征點檢測網絡，T波檢測的準確率為96.17%。Han等[8]提出了一種結合深度學習和電生理知識的多導聯心電圖特征點提取方法，并在三個公開數據集上驗證了算法的有效性。
綜上所述，傳統方法定位QRS波和ST—T段依賴于固定參數或經驗參數，對信號質量要求高、魯棒性較差、通用性不強且計算量大；基于深度學習的特征點提取方法能自動學習QRS波和ST—T段的波段特征，具有較強的魯棒性和穩定性，對信號質量要求不高，但仍不能有效表征具有形態和時序復雜性的臨床特異心電圖波形的變化。在決策定位階段，傳統方法大都直接使用基于每個特征點屬于對應檢測點的概率值來判斷是否為待檢測點，易造成誤檢和漏檢。
2.2 心電圖形態識別技術
QRS波形態復雜多變，僅少部分研究者對QRS波的形態識別進行了探究。周飛燕[9]在QRS波峰值點識別的基礎上，截取對應候選QRS波片段，并分別建立基于支持向量機（support vector machine，SVM）和CNN的模型對rS型和qRs型的QRS波進行識別，兩種模型對rS型QRS波形態識別準確率分別為98.73%和92.98%，對qRs型QRS波形態識別準確率分別為98.31%和94.40%。基于CNN的QRS形態識別效果顯著低于SVM方法，主要原因在于QRS波形態類別復雜、識別難度大，且含QRS波形態標注的公開數據庫極少。杜海曼等[10]提取ST 段面積、均值、參考基線差值、斜率、均方差及ST 曲面的梯度特征，在歐洲ST—T數據庫（European ST-T database）上識別五類ST段形態的平均準確率為95.60%。謝佳靜等[11]提出一種結合切片頻率小波變換和CNN的T波形態識別算法，在歐洲ST—T數據庫上T波形態識別準確率為97.34%。
綜上所述，大部分方法對ST段和T波形態識別依賴于特征點提取的準確率，自適應性不強、易受噪聲干擾、魯棒性差、識別準確率一般，尤其對特異ST段和T波的形態識別能力差；基于SVM等方法識別ST段和T波形態時，所選特征不能完全反映其形態特異變化；基于深度學習的ST段和T波形態識別方法需設置候選段，而候選段的提取依賴于經驗參數，同時無大量含ST段和T波各類形態標注結果的公開數據集供深度學習訓練。
2.3 基于機器學習的輔助診斷方法
基于機器學習的心梗輔助診斷方法首先提取特征，然后對所提特征進行降維，最后通過各類機器學習算法對心梗進行輔助診斷，并在公開數據庫中驗證所提方法的有效性，絕大部分文獻僅研究了是否發生心梗，并未對心梗的發病時期和梗死發生位置進行探究。上述所提特征包含時域特征[12]、頻域特征[13]、統計特征[14]、變換域上的各種統計特征[15]、熵特征[16]、基于張量分解的三維心電信號特征[17]、基于心電向量圖的局部時空特征[18]、基于心電圖的病理特征[19]；采用主成分分析法、局部保留投影、粒子群優化算等對特征進行降維；K最鄰近（k-nearest neighbor，KNN）、SVM、決策樹、樸素貝葉斯、人工神經網絡和邏輯回歸分析等方法被用于建立基于機器學習的心梗檢測模型。Swain等[13]結合斯托克韋爾變換提取心電圖的時頻域特征。Dohare等[14]提取了包含心電圖P波、QRS波和ST—T段的振幅、面積、均值、標準差、偏度系數和峰度系數的220個特征，對心梗進行輔助診斷。Fatimah等[16]在對心電圖進行傅里葉變換的基礎上提取變換系數的熵值和峰度系數等特征。Zhang等[17-19]基于離散小波變換、張量分解，設計了包含局部信息和時空信息的三階張量，實現了基于12導聯心電圖、二維心電圖像及三維心電向量圖的心梗精準定位。Sun等[20]結合確定學習和心電動力學圖提取心梗患者心電圖的非線性動力學特征，能夠實現心梗的早期診斷。
2.4 基于深度學習的輔助診斷方法
一維CNN[21-22]、二維CNN[23]、基于殘差網絡的CNN[24]、結合殘差網絡與注意力機制的CNN[25]、基于密集連接網絡的CNN[26-28]、自編碼網絡[29]、門控循環單元(gated recurrent unit，GRU)[30]、融合CNN、LSTM網絡及其變體的網絡[31-33]、密集連接網絡與主動學習相結合的方法[34]、殘差網絡與主動學習相結合的方法[35]等均被用于自動提取心電圖特征以實現心梗的診斷。
Prabhakararao等[36]設計了表征多尺度時間相關性的循環神經網絡和注意力模塊，通過確定發病時期實現心梗的早期診斷，對超急性期心梗、急性期心梗、陳舊期心梗、正常和非心梗檢測的平均F1值為97.65%。Tadesse等[37]提出了一種基于頻譜圖的時頻分析和遷移學習的方法確定心梗的發生時間，正常、超急性期心梗、急性期心梗和陳舊期心梗檢測的受試者操作特征曲線下面積均值分別為96.7%、82.9%、68.6%和73.8%。
Liu等[38]通過小波分解和三維空間重建方法將12導聯心電信號轉換為圖像，并建立二維CNN對心梗進行檢測。He等[39]建立了多分支CNN，通過二維心電向量圖實現了基于三維心電向量圖的心梗精準定位。Hao等[40]采用12導聯整幅心電圖圖像作為輸入，設計了基于二維CNN的多導聯多分支網絡對心梗進行檢測，患者間心梗檢測的準確率為94.73%。
Jahmunah等[28]建立了基于一維密集連接網絡的CNN對心梗進行檢測和定位，并使用基于梯度的類激活映射方法分析模型的可解釋性。Anand等[41]建立了基于殘差網絡的二維CNN識別心律失常、心梗和房室肥大，同時通過計算心電特征并結合輸出的平均邊際貢獻值對模型進行可視化。上述可解釋性方法能夠顯示異常心電圖波形，為醫生提供更加直觀的診斷依據。
3 模型評估與比較
如表3所示為基于機器學習的心梗輔助診斷方法對比[13-17, 42-43]；如表4所示為基于深度學習的心梗輔助診斷方法對比[22, 25-26, 29, 31, 33, 40, 44]。下面從所用方法、數據集和數據量、導聯數和輸入模式、模型評估方式和效果等方面對比分析。
表3
部分文獻中基于機器學習的心梗輔助診斷方法效果對比
Table3.
Performance comparison of auxiliary diagnosis methods for myocardial infarction based on machine learning
表4
部分文獻中基于深度學習的心梗輔助診斷方法效果對比
Table4.
Performance comparison of auxiliary diagnosis methods for myocardial infarction based on deep learning
（1）對比表3和表4使用的特征和分類器：基于機器學習的心梗輔助診斷方法主要通過設計人工特征并結合分類器實現心梗的輔助診斷；而深度學習方法通過建立多層神經網絡表征心梗患者復雜心電圖特征。心梗決策邏輯和策略復雜、心梗患者心電圖差異大，現有人工設計特征的方法特征表達能力不強，不能有效表征不同心梗患者心電圖QRS波和ST—T段的特異性變化。對比基于機器學習的心梗輔助診斷方法，通過自動學習特征的深度學習方法對心梗檢測的準確率更高。
（2）對比表3和表4所用數據集和數據量：絕大部分文獻均使用公開的德國聯邦物理技術研究院（Physikalisch Technische Bundesanstalt，PTB）數據庫驗證算法的有效性，該數據庫僅包含148個心梗患者和52個正常人的15導聯心電數據，少部分研究者使用經擴充的PTB大型心電數據庫（PTB-XL），其包含心梗患者的心電數據5 486條。PTB數據庫規模小，尤其不同梗死類型的患者數量更少；而PTB-XL數據庫中，心電圖的標注結果是屬于某類梗死病變部位的概率，因此數據庫中存在大量標注結果不確定的心電圖。
（3）對比表3和表4所用心電圖的導聯數和輸入模式：輸入的心電圖模式包含基于心拍和基于記錄兩種，其中基于心拍的模式對應模型的輸入為單個導聯的單個心拍或多個心拍，基于記錄的模式對應模型的輸入為多個導聯的單個心拍或多個心拍。根據表1和表2可知：不同病變部位梗死和不同病期心梗在心電圖的12個導聯上均有對應性變化，然而很多研究者僅選擇患者某個導聯或少部分導聯的心電圖為輸入，這種方式不符合醫生診斷心梗的邏輯和策略。
（4）對比表3和表4中模型評估方式和效果，首先需考慮兩種分類模式，即患者內分類模式是指所用訓練集和測試集中包含相同患者不同時間的心電圖，而患者間分類模式是指訓練集和測試集中的心電圖均來自不同的患者。因為同一患者不同時間的心電圖具有相似性，故患者內模式中，同一患者的心電數據同時出現在訓練集和測試集中，沒有考慮個體差異，測試集中的數據極易被準確識別；而患者間分類模式下，訓練集和測試集的心電數據記錄無交集，充分考慮了心電圖的個體差異，能夠有效公正地評估算法的性能。
基于機器學習的心梗輔助診斷方法對患者內心梗檢測效果好，對應的準確率(accuracy，Acc)、敏感度(sensitivity，Se)和特異性(specificity，Sp)大都超過99%，僅少部分研究者在患者間模式驗證了心梗檢測的有效性，準確率和敏感度大都在90%以下，幾乎無研究者使用機器學習方法評估心梗定期和定位的性能。
對比上述方法，通過自動學習特征的深度學習方法對患者間心梗檢測結果有明顯提升，患者內心梗定位效果尚可，但在患者間評估模式下心梗定位效果較差，主要原因在于PTB數據庫中不同梗死病變部位的患者數量少，最多的下壁心梗患者僅30人，最少的側壁心梗和后側壁心梗患者均為1人。
近年來，通過心電大數據診斷或預警各類心臟疾病的方法被廣泛應用。Ribeiro等[45]設計了基于殘差網絡的CNN，能夠識別6類心律失常事件，并基于2 322 513條心電圖對模型進行訓練。Zhu等[46]使用70 692個患者的180 112條12導聯心電圖對21類心律失常進行多標簽識別，均取得了比臨床醫生識別結果更高的準確率。上述這些針對疾病診斷或者早期預警研究能取得較好效果的方法，一般都依賴于大數據。
4 總結與展望
本文系統回顧了基于心電圖的心梗智能輔助診斷相關研究，并圍繞心梗病理生理機制與心電圖表現、心梗輔助診斷相關技術環節、模型評估與比較進行了深層次的總結。總體來說，基于心電圖的心梗智能輔助診斷研究已取得一定的研究成果，但仍存在一些問題，有待進一步研究解決：
（1）缺乏高質量的心梗患者心電數據。現有公開數據庫中，心梗患者的心電數據規模小、標注結果不準確，難以滿足開發高準確率心梗智能輔助診斷算法的需求。可行的解決思路為：與醫院心電圖室開展合作，建立心梗患者標準心電數據庫。同時由醫生對每條心電數據進行標注，標注結果應包含診斷結果和診斷依據，其中診斷依據為心電圖對應導聯QRS波、ST段和T波的形態。
（2）缺乏同一心梗患者在不同病期的動態演變心電數據，且不同心梗病期的心電數據不均衡。可行的解決思路為：基于心電圖產生原理建立心臟電生理模型，產生同一患者不同病期的心電圖；建立基于生成對抗網絡的心梗數據增強模型，生成更多的心電圖。
（3）心電圖特征點提取準確率仍有待提高。臨床上，心梗常合并心律失常發生，此類心電圖特征點的漏檢率和誤檢率較高。可行的解決思路有：① 建立基于U-net與自注意力機制的特征點提取模型，表征心拍精細化的形態特征和采樣時刻的強時序相關性特征；② 采用調整不應期和心率范圍等方法自適應地修正特征點的位置。
（4）難以準確識別心梗患者心電圖QRS波、ST段和T波形態。心梗患者不同病期QRS波、ST段和T波形態復雜，同時按一定的演變規律動態變化，如何解析心梗患者心電圖動態變化規律是極具挑戰的科學問題。可行的解決思路為：結合深度學習和貝葉斯算法識別不同心梗病期心電圖QRS波、ST段和T波形態。
（5）心梗檢測和定位的準確率仍有待提高。通過設計人工特征實現心梗輔助診斷的方法，不能有效表征不同病期心梗患者心電圖的特異變化，無法建立泛化能力強、準確率高的心梗輔助診斷模型。可行的解決思路有：① 結合心電圖不同采樣點和波段間的空間相關性、各導聯間心電數據的時間依賴性建立時空融合模型，提高心梗檢測和定位的準確率；② 建立結合CNN和深度自注意力機制的心梗輔助診斷模型，能夠表征心拍各波段的局部信息和全局信息，從而學習到更多可區分的心電圖特征。
（6）心梗輔助診斷模型臨床可解釋性較差。現有基于熱力圖的心梗輔助診斷方法臨床可解釋性弱，不能分析心梗漏診和誤診發生的原因。可行的解決思路有：① 結合專家知識量化每一層預測的內在邏輯，并與心梗患者心電圖QRS波、ST段和T波關聯，建立一種具有自解釋能力的心梗輔助診斷模型；② 將知識圖譜用于心梗智能輔助診斷研究中，通過知識表示和知識推理技術實現其臨床可解釋性。
綜上所述，建立高質量的心梗患者心電數據庫、設計心梗數據增強模型、準確提取心電圖特征點和識別心電圖形態、建立具有高準確率和強臨床可解釋性的心梗輔助診斷模型等均為心梗智能輔助診斷的研究趨勢。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：韓闖為綜述主要撰寫人，完成文獻資料的整理收集與分析，以及論文初稿的撰寫；闕文戈和李艷婷參與文獻資料分析與論文修改；王治忠和王松偉參與論文的修改與指導；師麗參與論文的指導與審校。
0 引言
根據《中國心血管健康與疾病報告2021》顯示，冠心病患病人數約1 139萬，且死亡率呈整體上升趨勢[1]。心肌梗死（簡稱：心梗）是冠心病中最具致命性的疾病，死亡率高。冠狀動脈（簡稱：冠脈）造影是心梗診斷的金標準，但其為有創檢測；而心電圖具有快速及時和簡單無創的特點，已成為臨床上輔助醫生診斷心梗的重要檢測手段。臨床研究表明，心電圖與冠脈造影在對心梗診斷的陽性診斷率上，其差異不具有統計學意義。其中，12導聯心電圖主要由肢體導聯和胸導聯組成，其中肢體導聯包含I導聯、II導聯、III導聯、加壓單極右上肢（augmented voltage right upper limb，AVR）導聯、加壓單極左上肢（augmented voltage left upper limb，AVL）導聯和加壓單極左下肢（augmented voltage left lower limb，AVF）導聯；胸導聯包含V1～V6導聯，各導聯心電圖由周期性變化的心拍組成。如圖1所示為心拍組成示意圖，主要包含四波和四段，其中四波是指P波、QRS波、T波、U波；四段指PR間期、QRS時間、ST段、QT間期。
圖1
心電圖的心拍組成示意圖
Figure1.
Schematic diagram of electrocardiogram beat
開展基于心電圖的心梗輔助診斷研究具有重要的理論意義和應用價值。首先，其為心梗的早期預警與精準防治提供了理論參考；其次，準確診斷心梗能夠為患者爭取最佳治療時機，保障患者生命安全；然后，心梗輔助診斷系統可減輕心電圖室醫生的工作負擔，輔助偏遠地區臨床醫生判讀心電圖；最后，高準確率的心梗輔助診斷算法能夠服務于穿戴式心電監測設備的研發與智能監護。
心梗智能輔助診斷的核心技術可以歸納為心電圖特征提取和分類器設計兩個子問題，其中特征提取是指采用各類方法將心電圖映射到特征空間，如時域分析、頻域分析、時頻域分析、基于深度學習自動提取特征的方法等；分類器設計是指在特征空間中構建高度復雜的非線性函數以實現心梗的輔助診斷。心梗患者不同發病時期的心電圖QRS波、ST段和T波形態動態變化，且不同梗死病變部位對應心電圖多個不同導聯，準確檢測及定位心梗、確定心梗發病時期，是極具挑戰的難題。國內外研究者開展了大量心梗輔助診斷算法的研究，也有不少研究者對此進行了相關綜述。然而，由于其涉及的各個技術環節相對分散，尤其未從不同心梗病期和不同梗死病變部位在心電圖的特征性改變方面，系統完整地梳理心梗智能輔助診斷研究中的所有技術環節，致使研究者難以將醫生診斷邏輯與策略用于心梗的智能輔助診斷研究中，從而制約了對可解釋心梗診斷模型的進一步探究。
因此，本文首先闡述了心梗的病理生理機制及其心電圖的特征性變化，然后將心梗輔助診斷技術環節中涉及的心電圖特征點提取、形態識別、基于機器學習和深度學習的心梗輔助診斷方法予以綜述，最后歸納了現有研究存在的問題并展望了發展趨勢，期望對相關讀者有所幫助。
1 心梗病理生理機制與心電圖表現
心梗是冠脈急性、持續性缺血缺氧所引起的心肌壞死，基于冠脈內不穩定的粥樣硬化斑塊破裂、出血，并引發血栓形成，致血管完全閉塞，從而引發對應的心肌因供血不足逐步發生局部缺血、損傷和壞死。根據心梗發生時心電圖ST段是否抬高，分為ST段抬高型心梗和非ST段抬高型心梗，前者本質為冠脈血管完全閉塞，且患者有明顯癥狀，死亡率高，一般采用溶栓治療；后者的冠脈尚未完全閉塞，隨時可能發展為ST段抬高型心梗，且患者無明顯癥狀，心電圖無特異性[2]。根據心梗病變位置不同，可分為下壁心梗、前間壁心梗、前壁心梗、廣泛前壁心梗、高側壁心梗、前側壁心梗和心尖部梗死等，如表1所示為不同病變部位梗死對應的心電圖導聯。
表1
不同病變部位梗死對應的心電圖導聯
Table1.
Corresponding leads of electrocardiograms for infarction in different lesions
隨著心肌缺血、損傷、壞死的發展和恢復，心梗患者的心電圖具有一定的演變規律，主要表現為病理性Q波從無到有、ST段抬高到逐步恢復正常、T波高尖到直立及倒置。按照心梗對應心電圖波形的演變和發病時期，可分為超急性期、急性期、亞急性期和陳舊期。在整個演變過程和各個時期，如圖2所示為心電圖QRS波、ST段和T波的動態變化過程。首先，超急性期是指發病數分鐘到數小時內，大都在2 h內，對應心電圖先出現高尖的T波，隨后較短時間內ST段表現為凹面向上型或斜直型抬高，且無病理性Q波；其次，在數小時到數天內心電圖出現病理性Q波，ST段多呈現弓背向上型抬高，嚴重者出現墓碑型或者巨R型ST段抬高，T波隨ST段改變常呈現直立、倒置或正弦波等形態，逐步發展為急性期；然后，在數天到數周內對應的心電圖ST段逐步恢復基線，病理性Q波仍存在，T波多倒置，此時處于亞急性期；最后，ST段完全恢復到基線，表現為ST段正常，T波多直立或倒置，此時多發生于心梗發生后數月，且持續數年甚至終身均出現病理性Q波，此時處于陳舊期。
圖2
心梗的心電圖波形演變過程及分期
Figure2.
Evolution of electrocardiogram waves and periods of myocardial infarction
鑒于心梗的臨床分析與治療需求，權威專家又將分期分為：超急性期、急性期和陳舊期，主要是因為亞急性期的ST段是逐漸變化的，不易衡量和準確鑒別，如表2所示為不同心梗病期心電圖的表現。
表2
心梗不同分期心電圖表現
Table2.
Changes of electrocardiograms in different periods of myocardial infarction
2 心梗輔助診斷技術環節
基于心電圖的心梗智能輔助診斷關鍵技術涉及心電圖特征點提取、心電圖形態識別、基于機器學習和深度學習的心梗輔助診斷方法。其中定位特征點是心電圖形態識別和實現心梗輔助診斷的基礎，根據心梗病理生理機制與心電圖表現等醫學知識可知，心梗患者心電圖形態與心梗發病時期、病變部位密切相關，是建立可解釋心梗輔助診斷模型的基礎；建立心梗輔助診斷模型的方法可分為兩類，一種是通過設計人工特征，建立基于機器學習的輔助診斷模型；另一種是通過自動學習特征，建立基于深度學習的輔助診斷模型。下面將針對上述所提關鍵技術進行詳細介紹。
2.1 心電圖特征點提取技術
近年來，隨著深度學習技術在機器視覺、語音識別和自然語言處理等領域的成功應用，相關方法也開始逐步用于心電圖QRS波和ST—T段檢測。He等[3]提出了一種基于U型網絡（U-net）和雙向長短期記憶（long short-term memory，LSTM）網絡的QRS波群檢測方法，在美國麻省理工學院與貝斯以色列醫院（Massachusetts Institute of Technology and Beth Israel Hospital，MIT-BIH）心律失常數據庫上，QRS波檢測的靈敏度為99.56%。Liu等[4]分別設計了基于密集連接結構和注意力機制的雙向LSTM網絡、基于U-net結構的雙向LSTM 網絡、基于巢穴U-net（U-Net++）結構的雙向LSTM 網絡，并通過集成學習融合上述網絡實現QRS波的檢測；其研究結果表明，集成學習的方法可使QRS波檢測的準確度有所提升。Peimankar等[5]建立了融合一維卷積神經網絡（convolutional neural networks，CNN）和LSTM網絡的模型，并在公開數據庫上進行驗證，QRS波起止點的敏感度分別為99.75%和99.36%。劉近貞等[6]提出了一種基于分段能量與平穩小波變換的方法對T波進行檢測，準確率高于95%。Londhe等[7]設計了包含一層CNN、兩層雙向LSTM網絡和歸一化指數函數（softmax）層的心電圖特征點檢測網絡，T波檢測的準確率為96.17%。Han等[8]提出了一種結合深度學習和電生理知識的多導聯心電圖特征點提取方法，并在三個公開數據集上驗證了算法的有效性。
綜上所述，傳統方法定位QRS波和ST—T段依賴于固定參數或經驗參數，對信號質量要求高、魯棒性較差、通用性不強且計算量大；基于深度學習的特征點提取方法能自動學習QRS波和ST—T段的波段特征，具有較強的魯棒性和穩定性，對信號質量要求不高，但仍不能有效表征具有形態和時序復雜性的臨床特異心電圖波形的變化。在決策定位階段，傳統方法大都直接使用基于每個特征點屬于對應檢測點的概率值來判斷是否為待檢測點，易造成誤檢和漏檢。
2.2 心電圖形態識別技術
QRS波形態復雜多變，僅少部分研究者對QRS波的形態識別進行了探究。周飛燕[9]在QRS波峰值點識別的基礎上，截取對應候選QRS波片段，并分別建立基于支持向量機（support vector machine，SVM）和CNN的模型對rS型和qRs型的QRS波進行識別，兩種模型對rS型QRS波形態識別準確率分別為98.73%和92.98%，對qRs型QRS波形態識別準確率分別為98.31%和94.40%。基于CNN的QRS形態識別效果顯著低于SVM方法，主要原因在于QRS波形態類別復雜、識別難度大，且含QRS波形態標注的公開數據庫極少。杜海曼等[10]提取ST 段面積、均值、參考基線差值、斜率、均方差及ST 曲面的梯度特征，在歐洲ST—T數據庫（European ST-T database）上識別五類ST段形態的平均準確率為95.60%。謝佳靜等[11]提出一種結合切片頻率小波變換和CNN的T波形態識別算法，在歐洲ST—T數據庫上T波形態識別準確率為97.34%。
綜上所述，大部分方法對ST段和T波形態識別依賴于特征點提取的準確率，自適應性不強、易受噪聲干擾、魯棒性差、識別準確率一般，尤其對特異ST段和T波的形態識別能力差；基于SVM等方法識別ST段和T波形態時，所選特征不能完全反映其形態特異變化；基于深度學習的ST段和T波形態識別方法需設置候選段，而候選段的提取依賴于經驗參數，同時無大量含ST段和T波各類形態標注結果的公開數據集供深度學習訓練。
2.3 基于機器學習的輔助診斷方法
基于機器學習的心梗輔助診斷方法首先提取特征，然后對所提特征進行降維，最后通過各類機器學習算法對心梗進行輔助診斷，并在公開數據庫中驗證所提方法的有效性，絕大部分文獻僅研究了是否發生心梗，并未對心梗的發病時期和梗死發生位置進行探究。上述所提特征包含時域特征[12]、頻域特征[13]、統計特征[14]、變換域上的各種統計特征[15]、熵特征[16]、基于張量分解的三維心電信號特征[17]、基于心電向量圖的局部時空特征[18]、基于心電圖的病理特征[19]；采用主成分分析法、局部保留投影、粒子群優化算等對特征進行降維；K最鄰近（k-nearest neighbor，KNN）、SVM、決策樹、樸素貝葉斯、人工神經網絡和邏輯回歸分析等方法被用于建立基于機器學習的心梗檢測模型。Swain等[13]結合斯托克韋爾變換提取心電圖的時頻域特征。Dohare等[14]提取了包含心電圖P波、QRS波和ST—T段的振幅、面積、均值、標準差、偏度系數和峰度系數的220個特征，對心梗進行輔助診斷。Fatimah等[16]在對心電圖進行傅里葉變換的基礎上提取變換系數的熵值和峰度系數等特征。Zhang等[17-19]基于離散小波變換、張量分解，設計了包含局部信息和時空信息的三階張量，實現了基于12導聯心電圖、二維心電圖像及三維心電向量圖的心梗精準定位。Sun等[20]結合確定學習和心電動力學圖提取心梗患者心電圖的非線性動力學特征，能夠實現心梗的早期診斷。
2.4 基于深度學習的輔助診斷方法
一維CNN[21-22]、二維CNN[23]、基于殘差網絡的CNN[24]、結合殘差網絡與注意力機制的CNN[25]、基于密集連接網絡的CNN[26-28]、自編碼網絡[29]、門控循環單元(gated recurrent unit，GRU)[30]、融合CNN、LSTM網絡及其變體的網絡[31-33]、密集連接網絡與主動學習相結合的方法[34]、殘差網絡與主動學習相結合的方法[35]等均被用于自動提取心電圖特征以實現心梗的診斷。
Prabhakararao等[36]設計了表征多尺度時間相關性的循環神經網絡和注意力模塊，通過確定發病時期實現心梗的早期診斷，對超急性期心梗、急性期心梗、陳舊期心梗、正常和非心梗檢測的平均F1值為97.65%。Tadesse等[37]提出了一種基于頻譜圖的時頻分析和遷移學習的方法確定心梗的發生時間，正常、超急性期心梗、急性期心梗和陳舊期心梗檢測的受試者操作特征曲線下面積均值分別為96.7%、82.9%、68.6%和73.8%。
Liu等[38]通過小波分解和三維空間重建方法將12導聯心電信號轉換為圖像，并建立二維CNN對心梗進行檢測。He等[39]建立了多分支CNN，通過二維心電向量圖實現了基于三維心電向量圖的心梗精準定位。Hao等[40]采用12導聯整幅心電圖圖像作為輸入，設計了基于二維CNN的多導聯多分支網絡對心梗進行檢測，患者間心梗檢測的準確率為94.73%。
Jahmunah等[28]建立了基于一維密集連接網絡的CNN對心梗進行檢測和定位，并使用基于梯度的類激活映射方法分析模型的可解釋性。Anand等[41]建立了基于殘差網絡的二維CNN識別心律失常、心梗和房室肥大，同時通過計算心電特征并結合輸出的平均邊際貢獻值對模型進行可視化。上述可解釋性方法能夠顯示異常心電圖波形，為醫生提供更加直觀的診斷依據。
3 模型評估與比較
如表3所示為基于機器學習的心梗輔助診斷方法對比[13-17, 42-43]；如表4所示為基于深度學習的心梗輔助診斷方法對比[22, 25-26, 29, 31, 33, 40, 44]。下面從所用方法、數據集和數據量、導聯數和輸入模式、模型評估方式和效果等方面對比分析。
表3
部分文獻中基于機器學習的心梗輔助診斷方法效果對比
Table3.
Performance comparison of auxiliary diagnosis methods for myocardial infarction based on machine learning
表4
部分文獻中基于深度學習的心梗輔助診斷方法效果對比
Table4.
Performance comparison of auxiliary diagnosis methods for myocardial infarction based on deep learning
（1）對比表3和表4使用的特征和分類器：基于機器學習的心梗輔助診斷方法主要通過設計人工特征并結合分類器實現心梗的輔助診斷；而深度學習方法通過建立多層神經網絡表征心梗患者復雜心電圖特征。心梗決策邏輯和策略復雜、心梗患者心電圖差異大，現有人工設計特征的方法特征表達能力不強，不能有效表征不同心梗患者心電圖QRS波和ST—T段的特異性變化。對比基于機器學習的心梗輔助診斷方法，通過自動學習特征的深度學習方法對心梗檢測的準確率更高。
（2）對比表3和表4所用數據集和數據量：絕大部分文獻均使用公開的德國聯邦物理技術研究院（Physikalisch Technische Bundesanstalt，PTB）數據庫驗證算法的有效性，該數據庫僅包含148個心梗患者和52個正常人的15導聯心電數據，少部分研究者使用經擴充的PTB大型心電數據庫（PTB-XL），其包含心梗患者的心電數據5 486條。PTB數據庫規模小，尤其不同梗死類型的患者數量更少；而PTB-XL數據庫中，心電圖的標注結果是屬于某類梗死病變部位的概率，因此數據庫中存在大量標注結果不確定的心電圖。
（3）對比表3和表4所用心電圖的導聯數和輸入模式：輸入的心電圖模式包含基于心拍和基于記錄兩種，其中基于心拍的模式對應模型的輸入為單個導聯的單個心拍或多個心拍，基于記錄的模式對應模型的輸入為多個導聯的單個心拍或多個心拍。根據表1和表2可知：不同病變部位梗死和不同病期心梗在心電圖的12個導聯上均有對應性變化，然而很多研究者僅選擇患者某個導聯或少部分導聯的心電圖為輸入，這種方式不符合醫生診斷心梗的邏輯和策略。
（4）對比表3和表4中模型評估方式和效果，首先需考慮兩種分類模式，即患者內分類模式是指所用訓練集和測試集中包含相同患者不同時間的心電圖，而患者間分類模式是指訓練集和測試集中的心電圖均來自不同的患者。因為同一患者不同時間的心電圖具有相似性，故患者內模式中，同一患者的心電數據同時出現在訓練集和測試集中，沒有考慮個體差異，測試集中的數據極易被準確識別；而患者間分類模式下，訓練集和測試集的心電數據記錄無交集，充分考慮了心電圖的個體差異，能夠有效公正地評估算法的性能。
基于機器學習的心梗輔助診斷方法對患者內心梗檢測效果好，對應的準確率(accuracy，Acc)、敏感度(sensitivity，Se)和特異性(specificity，Sp)大都超過99%，僅少部分研究者在患者間模式驗證了心梗檢測的有效性，準確率和敏感度大都在90%以下，幾乎無研究者使用機器學習方法評估心梗定期和定位的性能。
對比上述方法，通過自動學習特征的深度學習方法對患者間心梗檢測結果有明顯提升，患者內心梗定位效果尚可，但在患者間評估模式下心梗定位效果較差，主要原因在于PTB數據庫中不同梗死病變部位的患者數量少，最多的下壁心梗患者僅30人，最少的側壁心梗和后側壁心梗患者均為1人。
近年來，通過心電大數據診斷或預警各類心臟疾病的方法被廣泛應用。Ribeiro等[45]設計了基于殘差網絡的CNN，能夠識別6類心律失常事件，并基于2 322 513條心電圖對模型進行訓練。Zhu等[46]使用70 692個患者的180 112條12導聯心電圖對21類心律失常進行多標簽識別，均取得了比臨床醫生識別結果更高的準確率。上述這些針對疾病診斷或者早期預警研究能取得較好效果的方法，一般都依賴于大數據。
4 總結與展望
本文系統回顧了基于心電圖的心梗智能輔助診斷相關研究，并圍繞心梗病理生理機制與心電圖表現、心梗輔助診斷相關技術環節、模型評估與比較進行了深層次的總結。總體來說，基于心電圖的心梗智能輔助診斷研究已取得一定的研究成果，但仍存在一些問題，有待進一步研究解決：
（1）缺乏高質量的心梗患者心電數據。現有公開數據庫中，心梗患者的心電數據規模小、標注結果不準確，難以滿足開發高準確率心梗智能輔助診斷算法的需求。可行的解決思路為：與醫院心電圖室開展合作，建立心梗患者標準心電數據庫。同時由醫生對每條心電數據進行標注，標注結果應包含診斷結果和診斷依據，其中診斷依據為心電圖對應導聯QRS波、ST段和T波的形態。
（2）缺乏同一心梗患者在不同病期的動態演變心電數據，且不同心梗病期的心電數據不均衡。可行的解決思路為：基于心電圖產生原理建立心臟電生理模型，產生同一患者不同病期的心電圖；建立基于生成對抗網絡的心梗數據增強模型，生成更多的心電圖。
（3）心電圖特征點提取準確率仍有待提高。臨床上，心梗常合并心律失常發生，此類心電圖特征點的漏檢率和誤檢率較高。可行的解決思路有：① 建立基于U-net與自注意力機制的特征點提取模型，表征心拍精細化的形態特征和采樣時刻的強時序相關性特征；② 采用調整不應期和心率范圍等方法自適應地修正特征點的位置。
（4）難以準確識別心梗患者心電圖QRS波、ST段和T波形態。心梗患者不同病期QRS波、ST段和T波形態復雜，同時按一定的演變規律動態變化，如何解析心梗患者心電圖動態變化規律是極具挑戰的科學問題。可行的解決思路為：結合深度學習和貝葉斯算法識別不同心梗病期心電圖QRS波、ST段和T波形態。
（5）心梗檢測和定位的準確率仍有待提高。通過設計人工特征實現心梗輔助診斷的方法，不能有效表征不同病期心梗患者心電圖的特異變化，無法建立泛化能力強、準確率高的心梗輔助診斷模型。可行的解決思路有：① 結合心電圖不同采樣點和波段間的空間相關性、各導聯間心電數據的時間依賴性建立時空融合模型，提高心梗檢測和定位的準確率；② 建立結合CNN和深度自注意力機制的心梗輔助診斷模型，能夠表征心拍各波段的局部信息和全局信息，從而學習到更多可區分的心電圖特征。
（6）心梗輔助診斷模型臨床可解釋性較差。現有基于熱力圖的心梗輔助診斷方法臨床可解釋性弱，不能分析心梗漏診和誤診發生的原因。可行的解決思路有：① 結合專家知識量化每一層預測的內在邏輯，并與心梗患者心電圖QRS波、ST段和T波關聯，建立一種具有自解釋能力的心梗輔助診斷模型；② 將知識圖譜用于心梗智能輔助診斷研究中，通過知識表示和知識推理技術實現其臨床可解釋性。
綜上所述，建立高質量的心梗患者心電數據庫、設計心梗數據增強模型、準確提取心電圖特征點和識別心電圖形態、建立具有高準確率和強臨床可解釋性的心梗輔助診斷模型等均為心梗智能輔助診斷的研究趨勢。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：韓闖為綜述主要撰寫人，完成文獻資料的整理收集與分析，以及論文初稿的撰寫；闕文戈和李艷婷參與文獻資料分析與論文修改；王治忠和王松偉參與論文的修改與指導；師麗參與論文的指導與審校。
