利用心音信号的信号处理和机器学习诊断冠状动脉疾病：一项系统综述

用听诊代替进入血管

冠状动脉疾病是指为心脏供血的血管发生狭窄，是全球主要的致死原因之一。如今，医生通常通过将导管置入心脏的侵入性检查或昂贵的影像设备来确诊此病。本研究提出一个简单且吸引人的问题：是否可以通过对普通胸部麦克风记录到的心音进行仔细分析，并由计算机解读，作为一种安全、快速的首轮筛查方法来发现心脏动脉阻塞？

为什么动脉堵塞会改变心音

当冠状动脉狭窄时，血液被迫通过更窄的通道，从而形成湍流和高速流动。这种湍流可能产生微弱的杂音和额外振动，尤其在心脏舒张期（血流通常较为平稳）更容易出现。同样，因供血减少导致的心肌收缩力轻微下降，会改变主要心搏的时序与强度。所有这些变化都会略微重塑心跳的“旋律”。现代电子听诊器能够捕捉这些声音，并将其转换为供计算机分析的数字信号。

研究者如何检索科学文献

作者检索了四个主要医学数据库，并筛查了超过一千篇关于心音与冠状动脉疾病的发表文献。在剔除重复、样本极小或方法欠佳的报告后，最终纳入了40项研究，共计13,814名受试者。几乎所有研究都采用标准冠状动脉影像学来确认是否存在显著狭窄，然后将这些影像结果与从心音中提取的信息进行比较。大约一半的研究依赖传统的信号处理方法——即对声能与频率的数学描述；另一半则使用机器学习，让算法直接从数据中学习模式。

传统声学测量的局限

在较早的方法中，研究人员选择了少数他们认为可能反映动脉狭窄的声学特征。典型指标包括心脏舒张期某些频段的声能、主心搏的持续时间与强度等。这类研究在小规模患者中常显得很有希望，有时报告能正确识别超过70%的病例。但随着样本量扩大到数百或数千，准确率下降，常常低于70%，有时接近随机猜测。此外，许多研究在用于开发方法的同一组人群上测试性能，这对结果在新患者中能否保持稳健提出了质疑。

机器学习学习心音中的隐含模式

较新的研究走了不同的路线。研究者没有局限于少数人工挑选的特征，而是让计算机算法发现更丰富的声学模式。有些研究将数十甚至数百个传统测量合并使用；另一些则将原始声波或心跳的时频图像输入深度学习网络。在19项此类研究中，大多数报告的敏感性和特异性均高于80%，即系统在识别患病与健康个体方面大多数情况下表现良好。重要的是，多数机器学习研究在未用于训练的受试者心音上测试模型，这增加了这些工具可推广性的可信度。那些听取整个心跳周期而不仅仅是安静的舒张期的模型通常表现更好——这提示与动脉疾病相关的有用线索散布在整个心跳过程，而非集中在某一瞬间。

这对日常医疗可能意味着什么

综合来看，证据表明将机器学习应用于心音具有成为无创辅助手段以发现冠状动脉疾病的真实潜力，而单靠更简单的信号处理手段可能不够准确。然而，作者也提醒，目前大多数研究规模较小且多在单一医院开展，往往在经过严格控制的记录条件下进行。要从研究转向日常使用——例如在急诊室、门诊甚至基于智能手机的工具中——需要更大规模、多中心的试验。未来的研究必须证明这些系统在不同患者群体中仍能保持准确、对临床人员可解释，并能顺利融入诊疗流程。如果这些障碍能够被克服，借助人工智能精细聆听心音，或许有一天能在需要进行侵入性检查之前就提示隐匿的动脉疾病。

引用: Ainiwaer, A., Konings, T.J., Kadier, K. et al. Coronary artery disease diagnosis with signal processing and machine learning of heart sound signals: a systematic review. npj Digit. Med. 9, 350 (2026). https://doi.org/10.1038/s41746-026-02530-8

关键词: 冠状动脉疾病, 心音, 机器学习, 无创诊断, 数字听诊器