在有限资源下使用并行混合模型实现可靠的心电图分类

为什么更智能的心脏检测很重要

心律问题可能毫无预警地发生，导致中风、心力衰竭或猝死。医生依赖心电图（ECG）来及早发现这些危险，但人工阅读成千上万次心跳或使用传统计算工具既缓慢又容易出错。强大的人工智能系统可以提供帮助，但它们通常需要昂贵的硬件，并且常常像黑箱一样不透明。本研究提出了一种新的心电图读取方法，既轻量到可用于可穿戴设备，又足够透明以显示每次决策的置信程度。

重大心脏风险与有限工具

全球每年约有近2000万人死于心血管疾病，心律不齐（心律失常）是其中的重要原因。心电图是一种简单且低成本的检查，可记录心脏的电活动，并在症状出现很久之前揭示这些节律问题。历史上，临床医生或基于规则的程序通过手工分析心电图波形，标记典型的峰谷并将人工选择的特征输入传统算法。此类步骤耗时、需要专家参与，并且在信号嘈杂或异常时容易失效，从而留下错过或误诊的危险空间。

当深度学习过于“沉重”

深度学习通过使神经网络能够直接从原始信号中学习模式，改变了心电图分析，并在某些情况下能够与心脏病专家相媲美地识别心律失常。然而，表现最佳的模型如大型卷积网络和基于变换器的系统计算需求大。它们在拥有强大服务器的大型医院中运行良好，但难以部署在电池供电的可穿戴设备、基础诊所电脑或偏远地区。更糟的是，这些复杂系统仍可能做出自信但错误的判断，而且很少向医生说明某一预测的可信度。该领域一直缺乏既高效又明确关注可靠性的方法。

一组小模型并行工作

作者提出了一种并行混合模型（PHM），通过组合三个小而快速的神经网络来处理这些权衡，而不是依赖单个庞大模型。三个组件分别是不同变体的EfficientNet、SequentialNet和经典的LeNet-5，它们并行分析相同的短时ECG片段。这些片段取自广泛使用的MIT‑BIH心律失常数据库，包含单次心跳及其周围的上下文。经对齐和归一化预处理后，每个网络输出对五种心跳类型的概率分布：正常和四类异常节律。

模型如何衡量自身判断

PHM并非简单地采用多数投票，而是使用加权软投票方案。在训练期间表现略好的一些网络在意见分歧时会被赋予更大的影响力。系统还引入了医疗人工智能中不常见的概念：可靠性区域。当三个网络都与真实标签一致时，决策落在“正确决策区”。当三者一致但都错误时，属于“误分类区”。当它们相互不一致时，则进入“错误决策区”，由加权投票机制来解决冲突。通过跟踪样本落入各个区域的频率，临床医生可以清晰、量化地了解系统何时一致、何时犹豫或何时整体出错。

可放进口袋的性能

在来自MIT‑BIH数据库的超过10万次心跳上，PHM实现了98.46%的总体准确率——略优于其任一单独成员，并与更大模型具有竞争力。它在罕见但临床重要的心律失常上表现尤为出色，而这通常是训练于不平衡数据的自动系统的薄弱环节。与此同时，整个集成模型仅使用约20万可调参数，并能在普通硬件上以约数十分之一秒的速度分类一次心跳。在类似用于可穿戴设备的小型单板计算机上的测试证实了此类实时运行的可行性且能耗低。

这对患者和临床医生意味着什么

对非专业人员而言，关键信息是这项工作将自动化心律分析推进到你可以佩戴在手腕或胸前、甚至远离大型医院的设备上。通过谨慎地融合三种简单模型并明确衡量它们一致的频率，PHM既提供了较高的准确率，也内建了置信度评估。医生不仅能快速收到关于危险节律的警报，还可以看到系统何时立场稳固或进入更不确定的区域。这种速度、效率与透明度的结合有望使基于AI的心电筛查更安全、更普及，可能更早发现危及生命的心律失常并改善全球患者的结局。

引用: Alyahya, S., Malik, A.N., Amir, M. et al. Reliable ECG classification using parallel hybrid models with limited resources. Sci Rep 16, 11762 (2026). https://doi.org/10.1038/s41598-026-41370-0

关键词: 心电图心律失常检测, 可穿戴心脏监测, 轻量级深度学习, 神经网络集成, 医疗人工智能可靠性