编辑推荐：
为解决心血管疾病（CVD）诊断中人工解读耗时长、易出错的问题，研究人员对多种低复杂度人工智能（AI）驱动的深度学习（DL）模型（如CNN、LSTM、ConvLSTM等）进行了系统比较，用于基于心电图（ECG）的多类CVD诊断与分类。研究结果显示，LSTM模型在PTB-ECG数据集上取得了最佳综合性能（准确率99.98%，F1分数98%，精度100%），且计算复杂度低，证明了在实时与资源受限的临床环境中部署高效AI诊断工具的可行性。
心脏，这个默默支撑我们生命的引擎，一旦出现问题，后果往往十分严重。心血管疾病（CVD）至今仍是全球范围内的头号健康杀手，其高死亡率凸显了对精准、高效诊断工具的迫切需求。在众多诊断手段中，心电图（ECG）因其无创、便捷和经济的特点，成为了临床筛查和诊断心血管疾病最广泛使用的工具之一。然而，传统的ECG解读高度依赖心内科医师的专业知识和经验，这个过程不仅耗时，而且在面对海量数据或复杂、不典型波形时，人为解读的主观性和疲劳感可能导致误判或漏诊。能否让机器像人类专家一样快速、准确地读懂心电图的“语言”，从而为医生提供可靠的辅助决策，甚至实现自动化的初筛，成为了医学人工智能领域一个关键的研究方向。
近年来，以深度学习（DL）为代表的人工智能（AI）技术展现出了强大的模式识别能力，在医学图像分析领域取得了显著进展。理论上，将深度学习模型应用于ECG信号分析，有望实现对多种心血管疾病的自动、快速、客观诊断。但在实际临床部署中，尤其是在资源有限的基层医疗机构或可穿戴设备上，模型不仅要“准”，还必须“快”和“省”——即拥有较低的计算复杂度，以保证诊断的实时性和设备续航。然而，目前多数研究往往侧重于追求极致的诊断精度，而忽略了模型的复杂度和计算效率。这就提出了一个核心问题：是否存在一种深度学习模型，能够在保持高诊断精度的同时，满足低计算复杂度的要求，从而真正适用于实时临床场景？
为了回答这一问题，一项发表于《Scientific Reports》的研究开展了一项系统性的比较评估工作。研究人员旨在探索并比较几种低复杂度的AI驱动深度学习模型，在基于ECG信号的心血管疾病多类诊断与分类任务中的性能。他们的目标不是单纯追求最高的准确率，而是要在诊断性能和计算复杂度之间找到一个最佳的平衡点，为未来高效AI诊断工具的实际应用铺平道路。
为开展此项研究，作者主要运用了以下几个关键技术方法：首先，研究基于公开的PTB诊断心电图（PTB-ECG）数据集进行，该数据集包含了多种心血管疾病类别的心电信号。其次，在数据处理阶段，采用了基于离散小波变换（DWT）的特征提取方法，以增强信号特征的表达能力，并使用了数据层面的不平衡处理技术来提升模型的鲁棒性。最后，研究系统地构建并评估了五种主流的深度学习模型架构，包括卷积神经网络（CNN）、长短期记忆网络（LSTM）、多层感知机（MLP）、CNN-MLP混合模型以及卷积长短期记忆网络（ConvLSTM），并引入“每符号真实乘法数（RMpS）”作为衡量模型计算复杂度的核心指标。
研究结果
模型性能比较
研究人员在PTB-ECG数据集上对所选的五种深度学习模型进行了全面的训练和测试。性能评估涵盖了准确率、精确度、召回率、F1分数等多个维度。实验结果表明，在所有这些模型中，基于LSTM的架构取得了最优异的综合诊断性能。其准确率达到了惊人的99.98%，精确度为100%，F1分数为98%。这意味着LSTM模型在区分不同类别心血管疾病方面表现出极高的可靠性和稳定性。
计算复杂度分析
除了诊断精度，本研究的一个突出重点是评估模型的计算效率。研究人员使用“每符号真实乘法数（RMpS）”这一指标来量化各模型处理单位数据（心拍）所需的计算量。分析结果显示，表现最佳的LSTM模型不仅在诊断指标上领先，同时还保持了相对较低的计算复杂度。相比之下，一些结构更复杂的模型（如某些CNN变体或混合模型）虽然可能达到相近的准确率，但其RMpS值显著更高，意味着需要更多的计算资源。
特征提取与数据平衡的作用
研究还分析了所采用的技术策略对最终结果的贡献。基于离散小波变换（DWT）的特征提取方法被证实有效提升了模型从原始ECG信号中捕捉关键判别特征的能力。同时，针对数据集中不同疾病类别样本数量不均衡的问题，所采用的数据级处理技术（如过采样或欠采样）有效缓解了模型对多数类的偏向，从而提高了对少数类疾病的分类效果，增强了模型的整体鲁棒性和泛化能力。
结论与讨论
本研究的系统比较得出了一个清晰而有力的结论：在基于ECG的心血管疾病多分类诊断任务中，长短期记忆网络（LSTM）模型能够实现诊断性能与计算效率的最佳平衡。它不仅在准确率、精确度等核心诊断指标上达到了近乎完美的水平，更重要的是，它以较低的计算成本实现了这一卓越性能。这一发现挑战了“更高性能必然需要更复杂模型”的常见假设。
这项研究的意义重大且深远。首先，它从工程实践角度证实了开发高效、轻量级AI诊断工具的可行性。LSTM模型所展现出的“高精度、低功耗”特性，使其非常适合集成到对计算资源和功耗有严格限制的应用场景中，例如便携式心电监测设备、可穿戴健康手环、床边监护仪乃至资源匮乏地区的移动医疗单元。这为心血管疾病的实时、连续监测和早期预警提供了强大的技术可能。
其次，研究方法具有示范价值。研究没有孤立地看待诊断准确率，而是创新性地将“每符号真实乘法数（RMpS）”这一计算复杂度指标纳入核心评价体系，为未来医学人工智能，特别是移动健康（mHealth）和边缘计算（Edge Computing）领域的研究树立了一个重要的评估范式。它提醒研究者，在追求模型“聪明”的同时，也必须考量其“敏捷”与“节能”。
总之，这项工作不仅为心血管疾病的自动诊断提供了一个性能优异的候选模型（LSTM），更重要的是，它通过严谨的比较分析，论证了在医疗AI领域实现精度与效率共赢的可能性。这推动了人工智能从实验室算法向真实临床环境，特别是资源受限环境迈出了坚实的一步，为提升全球心血管疾病防治的效率和可及性贡献了有价值的解决方案。
