由于预期寿命的延长，瓣膜性心脏病的负担正在增加。目前，发达国家中主动脉瓣狭窄（AS）是最常见瓣膜性心脏病。典型的AS病程涉及较长的无症状期，许多严重AS患者无症状。症状出现后，死亡率明显增加，出现典型症状患者如果不进行手术治疗其中40％至50％在1年内死亡。对无症状患者进行仔细随访和紧急主动脉瓣置换手术通常可有较好的治疗效果。临床筛查对于AS患者可以避免不可逆转的疾病进展并预防患者死亡。但是，目前尚无适用于无症状患者的筛查方法。此研究旨在开发和验证一种基于深度学习的算法，该算法将多层感知器和卷积神经网络相结合，用于使用心电图检测严重的主动脉瓣狭窄。
该回顾性队列研究纳入接受过心电图和超声心动图检查两项检查的成年患者疾病数据。使用份心电图开发基于深度学习算法。医院的份心电图对该算法进行内部医院的份心电图进行外部验证以确定该算法在多中心均适用。研究终点是严重主动脉瓣狭窄（超过中度），定义为通过超声心动图证实主动脉瓣面积≤1.5cm2或平均压力梯度≥20mmHg。该研究使用人口统计学特征和Hz的12导联心电图原始数据作为预测变量。此外，该研究还使用灵敏度图确定对算法的决策影响最大的因素。
图1.研究流程
图2.心电图数据及人工智能算法
表1.入选患者人口学特征及相关研究数据
结果表明在内部和外部验证期间，基于深度学习12导联心电图检测严重主动脉瓣狭窄的算法的ROC曲线下面积分别为0.（95％CI，0.–0.）和0.（95％CI，0.–0.）；使用单导联心电图深度学习的算法ROC曲线下面积为0.（95％CI，0.-0.）和0.（95％CI，0.-0.）。灵敏度图显示，该算法侧重于胸前导联T波以确定是否存在严重AS。
图3.人工智能算法对AS的检测性能
图4.确认与主动脉瓣狭窄（AS）预测相关区域的灵敏度图
这项研究有几项局限性。首先，由于该医院中进行，因此有必要在其他国家的患者中验证该模型。由于基于深度学习的算法可能会过度拟合训练数据，因此在其他情况下确认其准确性非常重要。其次，“高级心电图”具有强大功能，例如空间QRS-T角，空间心室梯度，方位角和QRS（尤其是T波）的高度。但是，这些数值无法自动精确计算，因此无法采用这些特征。由于数据集太大无法手动获取这些值，因此研究者只能在MLP算法中使用7个特征。第三，需要进一步探索基于深度学习（MLP和CNN）的算法的决策过程，例如，需要进行额外的实验以增进对深度学习过程的理解，从而确定胸前导联T波的哪些特征会影响算法的决策。
该研究证实多层感知器和卷积神经网络的人工智能算法可利用12导联ECG和单导联ECG准确检测严重主动脉瓣狭窄。
参考文献：
Kwon,J.M.,etal.,DeepLearning—BasedAlgorithmforDetectingAorticStenosisUsingElectrocardiography.JournaloftheAmericanHeartAssociation,.9(7):p.e.
识别下方