目前，人工智能正在心髒病學的各個領域中得到廣泛應用。其中，深度學習(DL)，是人工智能中機器學習(ML)的一部分，因為具有更多神經元及其互連性的神經網絡，目前被廣泛應用于診斷和預測心髒病。

一、DL的主要優勢

1.它能夠發現從人類角度無法發現的某些數據的特征。傳統的ML需要細緻的分析和精湛的專業領域知識從圖像或信号中獲取特征進行分析和輸入，而DL可以自動發現并從原始數據中提取特征。所以，DL開發需要極少的人力參與，且從數據中提取特征時不容易受人類想法的影響。

2.目前DL模型已被廣泛應用于諸多領域，如檢測心力衰竭、肺動脈高壓、高鉀血症和貧血，以及預測房顫和心髒驟停的進展。其中，包括Cohen-Shelly等人開發并驗證了一種利用心電圖檢測主動脈狹窄的診斷方法，他們的結果發表在《European Heart Journal》雜志上。作者表明，利用心電圖的人工智能可以識别中度或重度主動脈狹窄患者，并可能通過比較亞組分析中的假陽性組和真陰性組來預測主動脈狹窄的進展。通過深度學習，DL模型可以有效地發現基于心電圖細微變化的各種特征，并根據複雜的非線性心電圖數據創建算法。

同時，他們還發現，在确定主動脈狹窄的存在時，右心前區導聯的TP間期和U波的權重最大，而左心室肥厚的典型心電圖表現并無權重。盡管這些發現和所涉及的方法将會激勵許多研究人員，但仍需要進一步的研究進行确認。

二、DL的缺點

1.存在過度拟合的風險。例如，如果開發了一個識别島上貓和狗的DL模型，其中所有的貓都是白色的，所有的狗都是黑色的，那麼開發的DL模型将僅使用黑色和白色特征來區分貓和狗。

2.DL模型在開發該模型的區域之外表現出較差的精度。例如，由于可疑的皮膚損傷通常用龍膽紫進行常規标記，Winkler等人證明了皮膚鏡圖像外圍的皮膚标記物與皮膚癌的DL模型檢測顯著相關。

因此，為了保證真實世界的應用性能，在所有DL研究中需要使用來自不同環境的獨立數據進行外部驗證。外部驗證意味着使用與用于開發人工智能模型的内部驗證完全不同的數據來執行測試。基于DL的AI模型在大多數情況下參數的數量是足夠的，并且偶爾會超過研究對象的數量。例如，ResNet-152是一個常用的DL模型，具有出色的圖像分類性能，包括6000萬個參數。因此，DL模型可能在内部驗證過程中過度過濾實驗數據；如果從某個病人身上提取的數據屬于内部驗證的實驗數據，那麼開發的數據模型将識别病人而不是檢測目标疾病，從而導緻高估了其性能。

進行外部驗證意味着不僅要為内部驗證分離數據，還要在不同的環境中确認數據的性能。Wolpert和Macread解釋了“沒有免費午餐”的定理:如果人工智能是針對特定情況優化的，那麼它就無法在不同的情況下均産生有利的結果。因此，為了進行準确的驗證，數據應該按醫院或地區進行分割。

雖然Cohen-Shelly等人調查的人群來自明尼蘇達州、亞利桑那州和佛羅裡達州，但在分配給訓練和驗證數據之前，數據是混合的，缺乏外部驗證可能會導緻結果的高估。因此，需要進一步的研究來進行外部驗證，以便開發的人工智能模型可以跨地區和醫院進行應用。

3.DL目前無法呈現其決策過程。換句話說，雖然可以通過拟合每個系數來開發一個DL模型，但是我們不能具體解釋模型的決策過程。

4.此外，由于DL模型可能會做出不合理的診斷，缺乏可解釋性，嚴重阻礙它的臨床應用。因此，在臨床應用中使用DL時，需要一個安全措施。為了檢測DL模型的錯誤，必須同時使用常規方法和DL模型。例如，當我們使用支持人工智能的心電圖來篩查主動脈狹窄時，需要結合傳統的方法來進行評估，如詳細的病史采集、仔細的聽診和心髒病專家的咨詢。

令我們欣慰的是，人工智能目前在醫學領域顯示出了巨大的潛力：它可以提高診斷的準确性，并支持許多疾病的臨床決策。然而，人工智能依然存在諸多的缺點，需要努力克服其局限性，以便能夠繼續開發用于醫學應用的人工智能技術。

來源：

Artificial intelligence using electrocardiography: strengths and pitfalls. Eur Heart J. 2021 Mar 22;ehab090. doi: 10.1093/eurheartj/ehab090.

作者：薄小雯 首都醫科大學附屬北京安貞醫院

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部