《Scientific Reports》：Prediction of left ventricular systolic dysfunction in left bundle branch block using a fine-tuned ECG foundation model
编辑推荐：
本研究针对左束支传导阻滞（LBBB）患者左心室收缩功能障碍（LVSD）早期筛查难题，开发了一种基于微调心电图基础模型（ECG-FM）的新型预测方法。通过对892例LBBB患者的2031份配对心电图-超声心动图数据进行分析，研究发现单步全微调（SS-FF）模型的综合性能最优（AUROC=0.807），而序列部分微调（Sq-PF）模型的灵敏度最高（0.787）。DeepLIFT可解释性分析显示V1-V4导联的QRS波群和T波特征是关键预测因子，为LBBB患者LVSD的早期识别提供了重要工具。
当心脏的左束支传导出现障碍时，心电图（ECG）上会显示出特征性的左束支传导阻滞（LBBB）图形。这种情况不仅影响心脏的正常电传导，更与左心室收缩功能障碍（LVSD）密切相关——后者是心力衰竭的重要标志，会显著恶化患者预后。尽管超声心动图是诊断LVSD的金标准，但其成本高、操作专业的特点限制了在基层医疗和急诊场景的普及应用。相比之下，心电图检查具有便捷、经济的优势，若能通过心电图准确预测LVD，将极大促进早期筛查和干预。
目前，虽然已有一些基于深度学习的心电图分析模型用于LVSD预测，但这些模型大多针对普通人群开发，缺乏对LBBB这一特殊高危人群的针对性。左束支传导阻滞患者的心电图本身就存在显著异常，这使得通用模型的预测准确性受到限制。正是基于这一临床需求，由Do Heon Kim、Youngnam Bok等研究人员组成的团队在《Scientific Reports》上发表了他们的最新研究成果。
研究人员创新性地采用了一种“微调”策略，他们没有从零开始训练模型，而是利用一个已在海量心电图数据上预训练好的心电图基础模型（ECG-FM），专门针对LBBB患者的数据进行精细化调整。这种方法类似于让一个已经具备丰富心电图知识的“专家”进一步专攻LBBB这一特定领域，既保留了基础模型的通用知识，又获得了针对特定人群的专业能力。
研究团队收集了来自三家医院的892例LBBB患者的2031份配对心电图-超声心动图数据，将这些数据分为训练集、调优集、内部验证集和两个外部验证集。他们比较了四种传统深度学习基线模型（全卷积网络FCN、长短时记忆全卷积网络LSTM-FCN、残差网络ResNet和InceptionTime）与七种单步微调、七种序列微调的ECG-FM模型性能。
关键技术方法包括：使用配对的心电图-超声心动图数据（左心室射血分数LVEF<40%定义为LVSD），采用单步和序列两种微调策略对预训练的ECG-FM进行适配，通过DeepLIFT进行可解释性分析，并在多中心数据集上进行验证。
研究结果
比较模型对LVSD预测的性能
结果显示，基于ECG-FM的方法在大多数指标上均优于基线模型。其中，单步全微调（SS-FF）模型表现出最佳的综合性能，平均准确度为0.758，特异性为0.851，AUROC为0.807。而序列部分微调（Sq-PF）模型则显示出最高的灵敏度（0.787）和阴性预测值（0.855），这对于筛查测试至关重要，可以最大程度地减少漏诊。统计分析表明，ECG-FM基于的方法与基线模型之间存在显著性能差异。
基于ECG-FM模型的比较性能
通过比较不同微调策略发现，在单步微调中，全微调（更新所有参数）的性能优于部分微调（只更新部分层）和添加性微调（只更新新增层）。而在序列微调中，部分微调（更新8层转换器）反而优于全微调，这表明在某些情况下，保留更多预训练知识可能更有益。这种差异可能与序列微调所使用的ECG-FM已经经过多标签分类任务微调有关。
使用DeepLIFT的可解释性分析
通过DeepLIFT分析，研究人员能够可视化模型做出预测时所关注的心电图区域。结果显示，在所有导联中，QRS波群对模型预测的贡献最大，特别是在反映左心室间隔和前壁的V1-V4导联中，深S波的贡献尤为显著。此外，T波在V1-V4导联中也显示出重要贡献，表明心室复极特征对LVSD预测具有价值。肢体导联偶尔显示显著的QRS贡献，但胸导联（特别是V1-V4）始终提供最高的贡献，因此具有更大的预测重要性。
研究结论与讨论部分强调，这是首个专门针对LBBB患者开发LVSD预测模型的研究。与从零开始训练的模型相比，基于ECG-FM的微调方法显著提升了性能，这主要得益于预训练阶段学习到的丰富心电图表征。模型的高灵敏度特性使其特别适合用于筛查场景，即使其阳性预测值相对较低（0.651），但先前证据表明，心电图预测为假阳性的患者后续发生LVSD的风险仍然较高，因此仍具有临床效用。
可解释性分析发现的关键预测特征（QRS波群和T波）与先前研究结果一致，证实了模型的生理合理性。特别是V1-V4导联的重要性，这与LBBB影响左心室激动顺序的病理生理机制相符。
研究也存在一些局限性，包括心电图数据格式转换可能影响性能、采样频率不一致、患者可能合并其他心血管疾病、使用常规LBBB诊断标准而非严格标准等。此外，DeepLIFT提供的主要是局部解释而非全局解释，未来需要更大数据集进行更深入的分析。
总之，这项研究证实了基于心电图基础模型的微调策略在开发疾病特异性预测模型方面的价值，为LBBB患者的LVSD早期识别提供了有力工具。这种方法的成功也为其在其他专科领域的应用提供了借鉴，有望推动人工智能在精准医疗中的深入发展。未来的研究方向包括前瞻性验证、临床工作流整合以及模型可解释性的进一步增强。
