心电大数据与人工智能
薛政凯,耿世佳,郭少华,穆冠宇,徐伟伦,洪申达,陈康寅
目的 探讨不同的人工智能模型从大致正常心电图中预测主要冠状动脉( 简称冠脉)或其主要分支重度狭窄(≥90%)的性能。方法 收集行择期冠脉造影检查的患者术前心
电图,并将筛选出来的392 份大致正常心电图与冠脉造影结果进行匹配,建立数据集。按照主要冠脉或其主要分支的狭窄程度,对入选患者进行分组,其中138 例为重度狭窄(狭窄程度≥90%,病例组);254 例为无或轻度狭窄(狭窄程度< 50%,对照组)。采用根据心电图从头训练、根据心电图融合临床信息从头训练,以及从已训练心电图分类模型进行迁移学习三种方法,分别构建三个深度神经网络模型:模型1、模型2 和模型3。结果 最终模型1 的AUC 值为0. 65,敏感性62. 5%,特异性66. 7%,F1 评分0. 483。模型2 的AUC 值为0. 66,敏感性63. 0%,特异性69. 2%,F1 评分0. 563。模型3 的AUC 值为0. 63,敏感性55. 6%,特异性53. 8%,F1 评分0. 438。结论 模型2 的性能优于模型1,而模型3 的性能略低于模型1。人工智能模型根据大致正常心电图预测冠脉重度狭窄具有一定的价值。