使用深度神经网络在动态心电图中实现心脏病专家级别的心律失常检测与分类

计算机化心电图（ECG）解读在临床心电图工作流程中发挥着关键作用。随着数字心电图数据的广泛可用性以及深度学习算法范式的兴起，为显著提升自动化心电图分析的准确性与可扩展性提供了重要机遇。然而，此前尚未有研究对端到端深度学习方法在多种诊断类别上的心电图分析性能进行系统性评估。在此，我们构建了一个深度神经网络（DNN），基于53,549名患者使用单导联动态心电图监测设备所采集的91,232份单导联心电图数据，对12种心律异常类型进行分类。在由多位持证执业心脏病专家组成的共识委员会独立标注的测试数据集上进行验证，该DNN的平均受试者工作特征曲线下面积（ROC AUC）达到0.97。DNN的平均F1分数（即阳性预测值与敏感度的调和平均值）为0.837，高于普通心脏病专家的平均F1分数（0.780）。在保持特异性与心脏病专家平均水平相当的前提下，DNN在所有心律类型上的敏感度均超过平均水平。这些结果表明，端到端的深度学习方法能够以接近心脏病专家的诊断性能，准确识别来自单导联心电图的多种不同类型心律失常。若该方法在临床环境中得到进一步验证，有望显著降低计算机化心电图误判率，并通过精准分诊或优先处理最紧急病情，提升专业人员心电图解读的效率。数据集获取地址：https://irhythm.github.io/cardiol_test_set/