用于心血管疾病诊断与分类的深度学习模型比较评估

为何更智能的心脏检测很重要

心脏病仍然是全球首要的致死原因，但预警信号常常隐藏在心电图（ECG）微小的波动中。医生可以解读这些波形，但目视阅读速度慢、容易疲劳且可能遗漏细节——尤其当医院监护或可穿戴设备源源不断传来成千上万次心跳时。本研究探讨人工智能是否不仅能匹配专家在解读ECG方面的表现，还能在计算需求极低的情况下实现实时运行，适用于常见的临床设备甚至小型便携装置。

在数字时代解读心跳

心血管疾病涵盖多种问题，从心肌梗死和心力衰竭到节律失常和瓣膜缺陷。总体而言，它们占全球约三分之一的死亡原因。ECG是医学中最便宜且最广泛可用的早期筛查工具之一，因为它能实时记录心脏的电活动。然而，现代医疗产生的ECG数据量已超过人工专家可舒适处理的范围。作者认为，需要智能计算系统来筛选这股信号洪流、突出早期预警并支持医生的决策，而非取代医生。

教机器识别病变心脏

研究者使用了一个公开的ECG资料集PTB-ECG，该数据集包含290名年龄在17到87岁之间、患有不同心脏疾病的受试者的记录。每条记录都关联详细的临床信息，ECG被标注为八类疾病组，如心肌梗死、心力衰竭、节律问题和瓣膜病，还有健康样本。研究团队没有将信号转换成图像，而是将ECG波形直接输入多种深度学习模型，包括卷积网络、基于记忆的网络以及结合二者优点的混合模型。所有模型面临相同任务：仅凭电信号模式判断患者最可能的心脏问题类型。

让强大模型足够轻便以便部署

一个关键挑战不仅是提高准确性，还要保持轻量化。许多高性能AI模型需要大量计算资源，这对病床旁监护仪、救护车或可穿戴设备来说不切实际。为减少计算负担，作者首先清理了ECG，滤除缓慢漂移和噪声，并降低采样率。随后他们采用一种称为小波变换的数学方法，将每次心跳提炼为紧凑的数值特征，同时保留关键信息。他们还通过在训练集中为少见疾病合成样本来校正数据不平衡问题。这种信号清洗、智能特征提取与数据平衡相结合的方法，使模型能以更小且更具信息量的输入工作。

哪种数字解读器表现最佳？

团队比较了五类模型：针对一维信号调整的卷积网络、经典的多层感知器、擅长时间序列的长短期记忆（LSTM）网络，以及两种将卷积层与感知器或LSTM串联的混合体。他们使用准确率、精确度、召回率和F1分数等常用指标进行评估，并关键地统计了每次输入所需的数学运算量。所有模型均达到很高的准确率——超过99%——但LSTM表现突出。它在识别病变心脏方面实现了近乎完美的精确度，同时在候选模型中具有最低的计算负担，表明追踪心跳随时间演变的信息既智能又高效。

对日常护理意味着什么

简言之，这项研究表明，经过精心设计的AI系统能够在无需超大算力的情况下以异常可靠的方式解读ECG。通过将所需计算量缩减约三个数量级，作者展示了快速、节能的算法仍能捕捉不同心脏疾病的细微特征。其中基于LSTM的模型在性能与计算量之间提供了最佳平衡，是用于实时医院监护、便携扫描仪和可穿戴心脏贴片的有力候选。经过在更大且更多样化的患者群体上的进一步验证，这类轻量但准确的工具有望把专家级心脏筛查带到更多诊所、救护车和家庭中。

引用: Bhia, I., Soltanizadeh, S. & Shafik, W. Comparative evaluation of deep learning models for cardiovascular disease diagnosis and classification. Sci Rep 16, 12522 (2026). https://doi.org/10.1038/s41598-026-43543-3

关键词: 心血管疾病, 心电图, 深度学习, 医学诊断, 可穿戴健康