《Scientific Reports》：Validation of AI-enhanced ECG image analysis for identifying extreme cardiac magnetic resonance metrics in a cross-ethnic UK biobank study
编辑推荐：
本推荐介绍一篇发表于《Scientific Reports》的研究。为验证人工智能增强心电图（AI-ECG）在利用心脏磁共振（CMR，心脏结构与功能金标准）定义心脏异常方面的诊断性能，研究人员在一项基于人群的队列研究中，对38,804名英国生物样本库参与者的配对12导联心电图和CMR数据进行了分析。研究显示，AI-ECG模型在检测左、右心室功能障碍（基于射血分数和应变）及左心室肥厚、左心房扩大等结构异常方面表现出高准确性（AUCs 0.778-0.896），支持其作为一种可扩展、无创的心血管疾病筛查工具的潜力。
心脏，这个日夜不停工作的“生命引擎”，其健康状况一直是医学关注的焦点。心电图（ECG）作为一种历史悠久、应用广泛的检查手段，就像心脏的“电活动记录仪”，能够捕捉心跳节律的微妙变化。然而，传统心电图解读主要依赖医生的经验，对于识别一些早期、轻微的心脏结构和功能异常，其能力存在局限。与此同时，心脏磁共振（CMR）成像技术被誉为评估心脏结构和功能的“金标准”，能够提供极为精细的心脏图像，精准测量心室大小、室壁厚度、射血分数等关键指标。但CMR检查成本高昂、耗时较长，且并非所有医疗机构都能开展，难以作为大规模人群的筛查工具。这就产生了一个临床需求鸿沟：我们能否利用普及、便捷的心电图，通过更智能的方法，达到接近“金标准”CMR的筛查效能？
近年来，人工智能（AI）技术的迅猛发展为此带来了新的希望。人工智能增强心电图（AI-ECG）应运而生，它旨在通过深度学习等算法，从常规心电图波形中挖掘出人眼难以察觉的、与特定心脏疾病相关的细微特征。已有一些研究展示了AI-ECG在检测某些心脏异常方面的潜力，例如心房颤动、左心室功能障碍等。然而，一个关键的科学问题尚未得到充分解答：这些AI-ECG模型的诊断性能，在面对CMR这个最权威的“裁判”时，究竟表现如何？特别是，这些模型大多基于特定医院的患者数据开发，它们在更广泛、更健康的一般人群队列中是否依然有效？其表现是否会因年龄、性别或伴随疾病的不同而产生差异？为了回答这些问题，一项大规模、多族裔的验证研究显得至关重要。
为此，研究人员在《Scientific Reports》上发表了一项重要的队列研究。他们利用英国生物样本库（UK Biobank）这一宝贵的资源，对AI-ECG模型进行了一次严格的“期末考试”。研究团队纳入了38,804名同时拥有12导联心电图和心脏磁共振成像数据的参与者，建立了一个庞大的测试集。值得注意的是，本次验证所采用的六个AI-ECG模型，最初是利用韩国医院的临床数据集开发的。研究旨在评估这些模型在一个以英国普通人群为主、包含多族裔背景的独立队列中的外部验证表现，这极大地增强了研究结果的普适性和说服力。
研究的“考题”非常明确：要求AI-ECG模型识别出由CMR定义的各类心脏异常。这些异常被严谨地定义为对应CMR指标中排名前1%的极端值，涵盖了心脏功能和结构两大方面。功能异常包括左心室功能障碍（通过射血分数QCG-LVD和整体纵向应变ECG-LVGLS来评估）以及右心室功能障碍（通过射血分数QCG-RVD和整体纵向应变ECG-RVGLS评估）。结构异常则包括左心室肥厚（LVH）和左心房扩大（LAE）。研究人员采用受试者工作特征曲线下面积（AUC）这一指标来量化模型的诊断性能，AUC值越接近1，说明模型的区分能力越强。此外，他们还深入分析了模型在不同亚组（如不同年龄、性别、是否患有高血压或缺血性心脏病）中的表现是否一致。
为了完成这项研究，研究人员主要运用了以下几项关键技术方法：首先，研究基于英国生物样本库（UK Biobank）这一大型前瞻性人群队列，获取了38,804名参与者的配对12导联静息心电图和心脏磁共振成像数据。其次，研究采用了六种预先训练好的人工智能-心电图模型，这些模型最初基于韩国医院数据集开发，本研究在此进行了独立的外部验证。核心分析技术包括使用受试者工作特征曲线（ROC）及计算其曲线下面积（AUC）来评估模型诊断性能，并针对年龄、性别和特定合并症（高血压、缺血性心脏病）进行了亚组分析，以检验模型性能的稳健性。
研究结果
1. 队列基本特征
在纳入分析的38,804名参与者中，平均年龄为64.2岁，其中48.2%为男性。这为评估AI-ECG在中年及老年一般人群中的表现提供了代表性的样本。
2. AI-ECG检测心室功能障碍的性能
AI-ECG模型在检测左心室功能障碍方面表现出色。对于基于射血分数定义的左心室功能障碍（QCG-LVD），模型的AUC高达0.887。对于基于整体纵向应变定义的左心室功能障碍（ECG-LVGLS），模型的AUC更是达到了0.896。这表明AI-ECG能够非常准确地从心电图中识别出左心室泵血功能或心肌收缩能力受损的迹象。
在检测右心室功能障碍方面，模型同样显示了良好的性能。对于基于射血分数定义的右心室功能障碍（QCG-RVD），AUC为0.778。而对于基于应变定义的右心室功能障碍（ECG-RVGLS），AUC提升至0.825。虽然略低于左心室的指标，但仍然证明了AI-ECG在评估相对更难检测的右心功能方面具有实用价值。
3. AI-ECG检测心脏结构异常的绩效
在一个包含21,267名参与者的子队列中，研究进一步评估了AI-ECG检测心脏结构异常的能力。对于左心室肥厚（LVH），即心肌壁异常增厚，模型的AUC为0.824。对于左心房扩大（LAE），模型的AUC达到了0.883。这些结果说明，AI-ECG不仅能够捕捉功能异常，也能有效地识别出心脏结构上的改变。
4. 亚组分析结果
亚组分析揭示了模型性能在不同人群中的一致性。总体而言，模型在各个亚组中保持了稳健的性能。特别值得注意的是，在年龄较大的人群、男性、以及患有高血压或缺血性心脏病的参与者中，AI-ECG模型的诊断准确性相对更高。这可能是因为这些人群中心脏异常的发生率或心电图特征更为典型，使得模型更容易做出准确判断。这一发现提示，AI-ECG在心血管疾病高危人群的筛查中可能具有更高的应用价值。
研究结论与意义
这项大型多族裔队列研究得出明确结论：原本基于医院数据开发的人工智能增强心电图（AI-ECG）模型，在经过英国生物样本库大规模普通人群数据的严格外部验证后，展现出强大的诊断性能。这些模型能够以高准确性识别出由心脏磁共振（CMR）这一金标准所定义的多种左、右心室功能障碍（包括基于射血分数和应变指标）以及左心室肥厚、左心房扩大等结构异常。其评估指标AUC在0.778至0.896之间，尤其在检测左心异常方面表现优异。
该研究的深远意义在于，它首次在一个大规模、基于普通人群的多族裔队列中，系统性地验证了AI-ECG模型 against CMR金标准的综合表现，极大地增强了研究证据的强度和普适性。结果强有力地支持了AI-ECG作为一种极具潜力的、可扩展的无创性筛查工具，用于心血管疾病的早期识别和风险评估。与昂贵、不易普及的CMR相比，心电图检查成本低、速度快、可及性极高。将AI算法与这一普及技术结合，有望实现“基层检查、高级诊断”的模式，让更广泛的人群，特别是医疗资源不足地区的人群，能够受益于精准的心脏健康筛查。此外，研究证实了模型在不同亚组中的稳健性，并在高危人群中显示出更好的效能，这为其未来在目标人群中的优先推广应用提供了依据。总之，这项研究为AI-ECG从实验室走向真实世界临床应用，迈出了关键且坚实的一步，为革新心血管疾病预防和早期诊断策略带来了新的希望。
