xGNN4MI：用于 12 导联心电图心血管疾病分类的图神经网络可解释性

这对心脏健康为何重要

心肌梗死和其他心脏疾病仍然是全球主要死因，常用的排查工具就是熟悉的心电图（ECG）波形。医生越来越多地借助人工智能来辅助解读这些信号，但许多 AI 工具像不透明的“黑箱”，给出结论却不展示其推理过程。本研究提出了一种名为 xGNN4MI 的新方法，旨在保留现代 AI 的能力，同时让其推理对临床医生可见并可检验。

从心跳到互联信号

心电图不是来自单一视角：胸部和四肢放置的十二个导联提供了对心脏电活动的略有不同的观察角度。每个导联对心肌和血液供应的不同区域更为敏感。作者将这种多导联记录转换为一个网络，其中每个节点代表一个导联，连接则反映这些信号随时间的相互关系。通过把十秒钟的 ECG 切成更短的片段，并在片段间连接相同的导联，他们构建出既反映电极在体表位置又反映心跳逐拍展开方式的结构。该网络成为图神经网络的输入——一种专为处理互联数据网格而非简单网格或列表设计的 AI。

一种用于识别和定位心肌梗死的新流程

基于这种 ECG 的网络视角，研究团队设计了一个开源流程，称为 xGNN4MI。它涵盖从原始信号到诊断的完整流程：构建 ECG 图、训练图神经网络，然后解释模型如何给出预测。他们在两个具有挑战性的任务上测试了系统。首先，将 ECG 分类为五个大类诊断组，例如正常心律、心肌梗死或传导异常等。其次，更进一步地识别心肌梗死在心脏中的发生部位，区分前壁（前室间隔）与下壁（下壁）等位置。该模型在一个大型公开 ECG 数据集上训练，然后用一个独立的人群队列进行测试，以评估其对新患者的泛化能力。

系统的表现如何

在广泛分组任务上，模型的准确率约为七成，尤其擅长识别正常记录和典型的心肌梗死。一些外观更为多样的类别，如心肌肥厚或传导障碍，则更难以清晰区分，这可能是因为它们包含多种不同的潜在问题。对于更细化的心肌梗死定位任务，表现有所提升：在主数据集上，模型在区分主要心肌梗死亚型时加权 F1 分数接近 0.8，并在外部队列上表现出良好的泛化能力。它在识别经典的下壁和前室间隔模式上尤为可靠。然而，在外部研究中识别真正健康的心脏时表现较差，这表明数据集之间的细微差异——例如略长的 QRS 持续时间（一种衡量每次心跳激活所需时间的指标）——可能会使即便训练良好的模型也出现差错。

看见 AI “关注”的部位

xGNN4MI 的一个核心承诺是，它不仅给出答案，还显示 ECG 图中哪些部分最为关键。作者使用了一种称为 GNNExplainer 的方法，突出每次预测中最有影响力的导联和连接。当模型将某个 ECG 标注为前室间隔心肌梗死时，最重要的节点是胸导联 V1 至 V3，这与教科书中这些导联监测心脏前壁的说法相吻合。对于下壁心肌梗死，模型聚焦于导联 II、III 和 aVF，再次反映了传统判定标准。有趣的是，一个常被常规阅读忽视的肢体导联（aVR）在某些下壁病例中显示出异常重要性，这与近期临床报告将该导联的变化与更严重并发症相关联的发现相呼应。相反，正常 ECG 在导联间显示出更均匀的重要性分布，这与不存在单一受损区域一致。

局限性与未来方向

尽管这些解释与既有心脏病学知识高度一致，但也凸显了当前的局限。该可解释性方法倾向于关注相互连接的导联簇，不能完全捕捉远端关系或细粒度的时间信息，而这些在临床上可能也很重要。模型目前也只处理单一主导标签，还无法反映真实患者常见的多种并存病情。作者建议未来工作可采用能更好处理时间信息的高级解释工具、纳入多标签诊断，并将图结构针对特定心脏疾病进行定制。尽管如此，通过开源代码、记录每项设计选择，并展示模型确实聚焦于临床上合理的 ECG 区域，xGNN4MI 为临床可检查与可被信任的 AI 工具迈出了一步。

这对患者与临床医生意味着什么

简而言之，这项工作表明可以构建一种心电图解读的 AI 助手，它不仅能发现心肌梗死并建议其发生部位，还能指出人类专家常依赖的相同导联。尽管它尚不足以替代心脏病专家，该框架证明了基于图的强大 AI 可以变得更透明并可与医学知识对照检验。如果进一步完善与验证，此类工具可帮助经验较少的临床医生在忙碌或资源有限的环境中更快地标记高危心肌梗死，同时提供决策过程的可视化路径。

引用: Maurer, M.C., Hempel, P., Steinhaus, K.E. et al. xGNN4MI: explainability of graph neural networks in 12-lead electrocardiography for cardiovascular disease classification. npj Digit. Med. 9, 256 (2026). https://doi.org/10.1038/s41746-026-02367-1

关键词: 心电图人工智能, 图神经网络, 心肌梗死, 可解释人工智能, 心血管诊断