人工智能在心血管疾病分类中的应用——一项系统文献综述

《ARTIFICIAL INTELLIGENCE REVIEW》：AI in cardiovascular disease classification—a systematic literature review

　　

摘要

尽管在将人工智能（AI）与心电图（ECG）分析相结合方面取得了进展，但仍存在一些限制，包括数据集多样性不足、类别不平衡、罕见情况代表性不足以及缺乏外部验证，这些因素影响了模型的泛化能力和对少数类别的预测效果。许多方法依赖于“黑箱”模型，其可解释性有限；而深度学习和混合架构在计算上可能较为昂贵，且多模态整合也受到限制。根据PRISMA方法论，共检索到490条记录，经过筛选后选择了223项研究，并通过滚雪球方式又纳入了4项研究，最终共有227项研究被纳入分析。本综述探讨了多模态AI是否优于单模态方法、可解释人工智能（XAI）如何支持模型的可解释性，以及自监督学习、Transformer模型和迁移学习模型与传统方法的比较情况。研究结果表明，多模态方法通常能提升预测性能，许多研究显示性能提升幅度在2%至6%之间，尽管不同数据集和任务下的结果存在差异。先进架构能够提取复杂特征，但其有效性取决于数据质量和评估指标。XAI方法为模型可解释性提供了基于上下文的辅助支持，而自监督学习和迁移学习方法在标签较少的数据环境中展现出潜力。未来的研究应重点关注轻量级模型、标准化评估方法以及改进的临床验证机制。本综述重点介绍了基于心电图的心血管疾病（CVD）分析领域中的多模态学习、XAI和先进架构的最新发展趋势。