人工智能在心电图中的应用：优势和缺陷并存

目前，人工智能正在心脏病学的各个领域中得到广泛应用。其中，深度学习(DL)，是人工智能中机器学习(ML)的一部分，因为具有更多神经元及其互连性的神经网络，目前被广泛应用于诊断和预测心脏病。

一、DL的主要优势

1.它能够发现从人类角度无法发现的某些数据的特征。传统的ML需要细致的分析和精湛的专业领域知识从图像或信号中获取特征进行分析和输入，而DL可以自动发现并从原始数据中提取特征。所以，DL开发需要极少的人力参与，且从数据中提取特征时不容易受人类想法的影响。

2.目前DL模型已被广泛应用于诸多领域，如检测心力衰竭、肺动脉高压、高钾血症和贫血，以及预测房颤和心脏骤停的进展。其中，包括Cohen-Shelly等人开发并验证了一种利用心电图检测主动脉狭窄的诊断方法，他们的结果发表在《European Heart Journal》杂志上。作者表明，利用心电图的人工智能可以识别中度或重度主动脉狭窄患者，并可能通过比较亚组分析中的假阳性组和真阴性组来预测主动脉狭窄的进展。通过深度学习，DL模型可以有效地发现基于心电图细微变化的各种特征，并根据复杂的非线性心电图数据创建算法。

同时，他们还发现，在确定主动脉狭窄的存在时，右心前区导联的TP间期和U波的权重最大，而左心室肥厚的典型心电图表现并无权重。尽管这些发现和所涉及的方法将会激励许多研究人员，但仍需要进一步的研究进行确认。

二、DL的缺点

1.存在过度拟合的风险。例如，如果开发了一个识别岛上猫和狗的DL模型，其中所有的猫都是白色的，所有的狗都是黑色的，那么开发的DL模型将仅使用黑色和白色特征来区分猫和狗。

2.DL模型在开发该模型的区域之外表现出较差的精度。例如，由于可疑的皮肤损伤通常用龙胆紫进行常规标记，Winkler等人证明了皮肤镜图像外围的皮肤标记物与皮肤癌的DL模型检测显著相关。

因此，为了保证真实世界的应用性能，在所有DL研究中需要使用来自不同环境的独立数据进行外部验证。外部验证意味着使用与用于开发人工智能模型的内部验证完全不同的数据来执行测试。基于DL的AI模型在大多数情况下参数的数量是足够的，并且偶尔会超过研究对象的数量。例如，ResNet-152是一个常用的DL模型，具有出色的图像分类性能，包括6000万个参数。因此，DL模型可能在内部验证过程中过度过滤实验数据；如果从某个病人身上提取的数据属于内部验证的实验数据，那么开发的数据模型将识别病人而不是检测目标疾病，从而导致高估了其性能。

进行外部验证意味着不仅要为内部验证分离数据，还要在不同的环境中确认数据的性能。Wolpert和Macread解释了“没有免费午餐”的定理:如果人工智能是针对特定情况优化的，那么它就无法在不同的情况下均产生有利的结果。因此，为了进行准确的验证，数据应该按医院或地区进行分割。

虽然Cohen-Shelly等人调查的人群来自明尼苏达州、亚利桑那州和佛罗里达州，但在分配给训练和验证数据之前，数据是混合的，缺乏外部验证可能会导致结果的高估。因此，需要进一步的研究来进行外部验证，以便开发的人工智能模型可以跨地区和医院进行应用。

3.DL目前无法呈现其决策过程。换句话说，虽然可以通过拟合每个系数来开发一个DL模型，但是我们不能具体解释模型的决策过程。

4.此外，由于DL模型可能会做出不合理的诊断，缺乏可解释性，严重阻碍它的临床应用。因此，在临床应用中使用DL时，需要一个安全措施。为了检测DL模型的错误，必须同时使用常规方法和DL模型。例如，当我们使用支持人工智能的心电图来筛查主动脉狭窄时，需要结合传统的方法来进行评估，如详细的病史采集、仔细的听诊和心脏病专家的咨询。

令我们欣慰的是，人工智能目前在医学领域显示出了巨大的潜力：它可以提高诊断的准确性，并支持许多疾病的临床决策。然而，人工智能依然存在诸多的缺点，需要努力克服其局限性，以便能够继续开发用于医学应用的人工智能技术。