基于心电图的AI算法可提升心脏病检测与预测能力

斯克里普斯研究所Giorgio Quer教授团队研发出新型心电图人工智能模型ECG-CLIP，相关成果已发表于《柳叶刀数字健康》。该模型采用基础模型架构，通过融合超170万份心电图数据与临床医师笔记进行训练，模拟临床医生先掌握生理机制再接触具体病例的学习逻辑。与传统需海量标注数据的算法不同，ECG-CLIP仅需十余例确诊心电图即可适配新病种检测，训练数据依赖度平均降低91%。研究团队引入显著性热力图技术，直观呈现模型决策依据，有效提升临床可信度。 测试表明，ECG-CLIP在急性心肌梗死、心肌淀粉样变及肥厚型心肌病等三种心脏疾病检测中，性能全面超越传统深度学习模型及其他心电基础模型。在预测房颤发生率、急诊或术后30天生存率以及三年内慢性肾病与二型糖尿病发病风险等任务中，该模型同样表现最优，且在数据标注极少或仅依赖单导联心电图的资源受限场景下优势尤为明显。 研究团队表示，下一步将推进前瞻性临床试验验证其真实世界适用性，并致力于实现模型与各类心电记录设备及可穿戴监测设备的兼容。该算法的突破为人工智能辅助心脏疾病早期筛查与风险预测提供了高效新路径，有望在医疗资源匮乏地区发挥重要价值。