人工智能利用12导联心电图实现心律失常起源的无创定位Artificial Intelligence Enabled Noninvasive Mapping of Cardiac Arrhythmia Origins Using the 12‐Lead Electrocardiogram - Antoun - 2026 - Journal of Cardiovascular Electrophysiology - Wiley Online Library

人工智能（AI）正在重塑心脏电生理学，通过从心电图中提取超出人类视觉解读能力的信息。虽然大多数AI应用集中于心律失常检测和风险分层，但一个更新、更针对性的用例正在兴起：利用标准12导联心电图（ECG）无创定位心律失常起源。本综述考察了当前支持AI驱动ECG定位心律失常病灶的证据，重点关注旁路和特发性室性心律失常。最近的机器学习和深度学习模型在预测解剖起源部位方面显示出高准确性。这些进展表明，AI能够捕捉与特定心脏区域相关的微妙时空电模式，提供一种形式上的虚拟术前标测。早期临床数据显示，AI辅助定位可缩短手术时间、减少透视暴露，并在不牺牲安全性的前提下提高消融效率。本综述还讨论了关键技术创新，包括卷积神经网络、多模态数据整合以及增强模型泛化性和可解释性的策略。重要挑战依然存在，特别是在外部验证、数据质量、临床信任和流程整合方面。尽管如此，AI驱动的ECG定位代表了电生理学中从诊断支持向治疗指导的概念性转变。随着验证研究和转化研究的推进，该技术有潜力改变术前规划和术中决策，从而使心律失常消融更加精准、高效和可及。

1 引言

人工智能正在通过提取人眼无法辨别的复杂电信号中的临床有用信息，迅速改变心脏电生理学（EP）。虽然早期成功集中于自动心律失常检测和心电图（ECG）风险预测，但更新的应用针对更细微的挑战。一个新兴的细分领域是利用AI从12导联ECG无创定位心律失常源（异位病灶或旁路）。这超越了通用的ECG解释，旨在精确确定心律失常在心脏中的起源，而这一任务传统上需要通过消融手术中的有创导管标测完成。精确的术前定位可以通过制定策略、减少标测时间并可能改善患者预后，从而简化EP干预。在本文中，我们研究了AI在ECG术前定位中这一报道不足的应用，突出了近期研究进展、临床意义、技术障碍以及整合到EP工作流程中的前景。我们有意将焦点缩小，以深入探讨AI-ECG算法如何帮助识别心律失常起源部位，从而一瞥未来更精准、更个性化的EP实践。

2 AI在基于ECG的心律失常定位中的应用

2.1 用例的原理与新颖性

定位心律失常起源（如局灶性室性早搏（PVC）、特发性室性心动过速或Wolff-Parkinson-White综合征（WPW）中的旁路传导）对于指导导管消融至关重要。传统上，EP专家通过启发式ECG算法或视觉模式识别推断可能的起源部位，然后通过有创标测确认。这些手动方法容易出错，且依赖于临床医生的经验。它们也难以处理非典型病例或标准标准失效的模糊ECG模式。AI驱动定位的新颖性在于其数据驱动的模式识别。通过训练带有确认心律失常起源（来自既往消融病例）的大规模ECG数据集，AI模型可以学习映射到特定解剖部位的细微心电图特征，可能优于基于规则的算法。这种方法在EP中尤其有价值，因为毫秒级的激活差异或波极性的微小变化可能预示着不同的起源位置。一个能够可靠解读这些细微差别的AI模型提供了全新的精度水平，本质上是从无创ECG提供“虚拟EP标测”。与通用心律失常分类相比，这是一个独特且未被充分探索的应用；它代表了从使用AI进行诊断向使用AI作为定位工具来指导治疗的根本转变。

2.2 近期研究进展

新兴研究证明了AI-enabled ECG定位的可行性。例如，Nishimori等人开发了一个卷积神经网络（CNN）模型来识别WPW患者的旁路位置。在他们的研究中，AI模型显著优于传统的决策树ECG算法（临床上用于WPW），实现了约78%的定位准确率，而传统方法为61%。此外，通过整合胸部X光片与ECG数据（多模态深度学习方法），准确率提高到约80%，说明解剖背景（心脏大小/方向）可以增强预测。该模型甚至能在标准算法被误导时正确分类通路位置，例如一个左侧通路被规则误判为右侧，但AI正确识别。这凸显了AI捕捉复杂、细微线索的能力，这些线索难以被简单标准捕获。

对于特发性室性心律失常，结果更为显著。Zheng等人开发了一个机器学习系统，利用12导联ECG数据预测PVC/室性心动过速在21个不同解剖部位的起源。使用大规模训练数据集（来自545名消融患者的18000多条ECG记录），他们优化后的模型在独立测试队列中实现了约98%的准确率。这种精度——超过以往方法和专家医师——表明AI能够辨别对应不同心室区域的QRS形态或时序的微小差异。Missel等人及其他人的早期工作已经展示了混合机器学习模型用于VT定位的潜力，但近期深度学习和更大数据集的进展标志着性能的大幅跃升。值得注意的是，这些模型能处理层次分类（例如，区分右心室流出道与左心室流出道，并在更精细尺度上区分特定瓣叶或间隔位置）。它们可以同时整合多个心跳或导联来形成预测。

除了回顾性开发，还有向实际应用转化的迹象。Fox等人报告了在EP实验室中一种“AI辅助”心律失常标测工作流程，其中12导联ECG分析的见解指导了初始标测策略。在一项比较研究中，AI指导的标测程序显著更高效，平均时长缩短22.6%，透视时间减少43.7%，且没有牺牲安全性或有效性。事实上，AI指导组的6个月无心律失常生存率略高（73.5% vs 对照组的63.3%）。这是一个早期但有说服力的例子，说明AI ECG解读如何直接影响临床EP工作流程。通过无创定位可能的心律失常部位，团队可以更快地靶向消融，减少患者和操作者的暴露，并可能改善预后。这些发现强调，基于AI的ECG定位不仅仅是一个理论练习，而是有临床数据支持的新兴现实。图1展示了提出的AI驱动工作流程，用于从12导联ECG进行无创心律失常源定位，表1总结了评估基于AI的ECG心律失常起源定位的关键研究。

[图1：AI驱动的工作流程，使用12导联ECG进行无创心律失常源定位。]

表1 基于AI的ECG心律失常起源定位的选定研究

注：AUC，曲线下面积；CNN，卷积神经网络；EP，电生理学；LVOT，左心室流出道；LV，左心室；PVC，室性早搏；RVOT，右心室流出道；VT，室性心动过速；WPW，Wolff–Parkinson–White。

2.3 临床意义

从简单ECG中精确定位心律失常起源的能力对电生理学具有深远的临床意义。首先，它可以显著增强术前规划。在进入手术室前了解心律失常的可能病灶，使电生理学家能够量身定制策略。例如，如果室性心动过速病灶可能位于左心室的特定区域，则决定血管入路或选择标测导管。在WPW患者中，准确定位旁路可以指导是否需要经房间隔入路（用于左侧通路），或者标测是否仅限于右侧。AI预测由于观察者依赖性较低，为所有操作者提供了一致的起点，可能在不同经验水平的临床医生之间拉平标测成功的差距。

其次，AI定位有望缩短更有效的手术。通过一开始就突出可能的心律失常区域，EP团队可以更早地将标测和消融能量集中在这些目标上，这反映在AI辅助标测研究中手术时间和透视时间的减少。更短的手术意味着更少的麻醉时间和更低的X射线暴露，从而改善患者安全。它们也转化为更低的医疗成本和更高的手术室吞吐量。重要的是，更精确的定位可以提高急性成功率（确保真正的起源被消融），并可能改善长期预后，正如AI指导病例中更高的无心律失常生存率所暗示的那样。对于PVC诱导的心肌病等疾病，快速消除罪魁祸首PVC病灶至关重要；A标记出PVC起源的工具可以加速治疗并防止进一步的心室功能障碍。

另一个含义涉及复杂病例的诊断清晰度。某些宽QRS心动过速或异位心律可能难以区分（例如，非典型室性心动过速与伴差异性传导的室上性心动过速）。先进的AI模型可以分类机制和起源区域，在标准标准不确定时辅助诊断。此外，AI算法为每个预测部位提供概率输出或置信度度量。这使得临床医生能够评估不确定性：如果ECG与任何学习模式都不匹配，模型可以指示低置信度或“非典型”结果，这是信息性的，并可以提示更全面的标测。基于AI的ECG定位在具有稳定激活模式的局灶性心律失常中最为有效，例如室性早搏和旁路。在具有可变激活序列的复杂心律失常中，包括大折返性心动过速或具有多个出口部位的心律失常，其性能可能降低，因为这些情况下ECG特征不太一致。

最后，基于AI的ECG分析可以扩大对专业EP见解的获取。并非每家医院都有心律失常专家，但AI工具可以辅助普通心脏病学家识别需要转诊进行消融的患者，通过提示可能的心律失常类型和位置。这种决策支持可以作为“虚拟电生理学家”，更早地分流和指导适当护理。例如，如果常规门诊ECG通过AI模型处理，并高置信度指示PVC病灶在流出道，临床医生可能会更快地认识到需要EP会诊，尤其是当患者有症状时。因此，从EP实验室的术前规划到全科实践的上游决策，AI驱动ECG定位的临床应用是广泛的。

2.4 技术创新与挑战

实现AI用于心律失常源定位需要克服若干技术挑战，从而激发了创新解决方案。一个关键挑战是数据的表示和数量。与单标签ECG诊断不同，定位是一个多类问题，可能有数十个输出类别（每个对应一个不同的解剖部位或区域）。为每个心律失常起源类别获取足够的训练样本很困难；它需要从大量接受过成功消融且已知部位的患者中收集数据。为了解决小样本量问题，研究人员采用了数据增强和迁移学习等技术。在WPW研究中，模型受益于多模态迁移学习；CNN先在大规模胸部X光片数据集上预训练（以学习心脏轮廓特征），然后在较小的WPW数据集上进行微调，从而在有限ECG样本下提高了准确率。这种方法在不需数千个WPW病例的情况下，促进了心脏位置和大小信息的融入。类似地，Zheng等人通过为每位患者汇集多个ECG记录，扩展了训练数据并捕获了搏动间变异性，从而实现了高准确率。在原始ECG波形上使用一维CNN是一个关键创新，因为这些模型可以自动学习区分起源部位的波形特征（时序、电压模式），从而消除了手动特征工程的需要，手动特征工程常常遗漏微妙的时空线索。

模型泛化性是另一个挑战；在一个中心训练的模型可能因ECG机器、患者人群或某些心律失常类型流行率的差异而在另一个中心表现不佳。为了提高鲁棒性，未来的模型可能结合基于生理学的增强（例如，从具有不同方向的虚拟心脏模型模拟ECG）或域适应技术来解释ECG采集中的差异。另一个即将到来的创新是使用物理信息神经网络或个性化心脏模型（数字孪生），将AI预测与心脏激活的生物物理模拟相结合。这些可以确保AI的建议在生理上是合理的，并通过可预测的，并增强临床医生通过更可解释的输出（如预测的激活图）产生的信任。

模型可解释性确实是一个重大的技术障碍。虽然深度学习模型可以很准确，但其“黑箱”特性可能会阻止临床医生完全信任其输出用于高风险决策，如消融靶点选择。研究已开始通过提供解释或AI推理的可视化来解决这个问题。例如，注意力映射或基于梯度的方法可以突出显示ECG轨迹中哪些部分对定位决策影响最大。如果AI指向室间隔的PVC病灶，显示它重点关注了V3导联中一个非典型的R波模式，这可以为EP操作者提供 reassurance 和洞见。此外，将AI与已确立的生理标志物结合可能有益；一个提出的混合模型首先使用深度学习处理个体间变异性，然后应用更透明的算法进行精细定位。这种混合或集成策略旨在平衡性能与可解释性。技术创新还体现在实时算法的开发上。在EP实验室中，时机至关重要。模型必须在检测到心律失常后几乎瞬间提供预测。这推动了模型大小和推理速度的优化，甚至促使探索将AI部署在EP标测系统或设备内部（设备端AI），以实现即时反馈。确保这些算法能够在标准医院IT基础设施（或直接集成到起搏/标测控制台）上快速可靠地运行，是一项非平凡的工程任务，需要高效的代码和对延迟问题的验证。当前的AI-ECG定位模型旨在预测最早电激活的部位，并未考虑解剖或手术限制，例如与冠状动脉的接近程度或无法安全消融的区域。因此，算法预测必须结合影像学和术中发现进行解读。未来整合ECG与解剖成像的多模态方法可能有助于解决这一限制，并改善手术规划。

最后，数据标注和“金标准”构成挑战。对于监督学习，需要每个心律失常的真正起源，这来自有创EP研究和消融。这些有时可能难以解读（例如，多个紧密相邻的病灶或弥散基质）。不一致或错误的标签可能会混淆模型。为了缓解这个问题，研究者制定了明确的终点标准（例如，仅包括在某个部位明确消融成功的病例，或使用高密度标测确认激活起源）。一些研究者还通过将解剖上相邻的部位分组为类别来降低复杂性，以提高可靠性。随着数据集增长，半监督方法可能使模型能够通过识别患者间的一致模式来优化或重新标注数据。尽管存在这些挑战，创新的轨迹是充满希望的。每个技术障碍都激发了创造性的解决方案，从多模态学习到新颖的网络架构，将基于AI的ECG解读推向了曾经被认为只有有创标测才能达到的领域。一个新兴的解决方案是使用基础模型和大规模、预训练的多模态架构。在数百万份ECG、医学图像或组合生理信号上训练的基础模型可以学习通用的心脏表征，然后使用相对较小的带标签EP数据集针对心律失常定位任务进行微调。这类模型可能显著减少样本量需求，提高跨机构的泛化性，并促进ECG与胸部X光片或心脏成像等补充模态的整合。随着基础模型的成熟，其应用于无创心律失常源定位很可能会加速转化应用。除了监督学习和自监督学习，强化学习可能为自适应心律失常定位提供一条未来途径。在这种范式中，RL代理可以将EP手术视为一个序列决策过程，其中每个标测动作或导管移动都会产生新的电信息和一个基于与真实心律失常源接近程度的相应奖励信号。随着时间的推移，该代理可以学习高效探索心腔、优先处理高产出区域并以更少标测点收敛于起源部位的策略。当与基于ECG的AI术前定位相结合时，RL可以进一步实时细化术中靶向，可能减少手术时间同时保持准确性。

2.5 转化研究与未来整合

弥合从实验室到临床的差距是AI驱动ECG定位的下一个关键步骤。迄今为止，大部分证据来自回顾性分析或单中心研究。转化研究工作正在进行中，以前瞻性地验证这些AI工具，并评估其对临床决策的影响。一个关键方向是进行多中心试验，其中AI定位算法被前瞻性地用于指导消融，并与标准实践进行比较。这类研究将评估AI辅助开启时的终点，如手术时间、成功率和并发症率。TAILORED-AF试验（尽管专注于房颤标测）提供了一个先例，其中机器学习指导的策略改善了消融结果。对于室性心律失常和WPW，类似的试验可以将患者随机分配至AI指导的标测策略与常规护理。这些结果对于监管批准和采纳至关重要。Fox等人注意到的AI指导标测改善预后的早期信号，证明了这种热情是合理的。为确保泛化性，这些算法最好在不同医院环境和不同经验水平的操作者中进行测试。这将证明AI可以在各种环境中成为可靠的副驾驶，而不仅仅是在其创建的环境中。

对于整合到EP工作流程中，重要的是AI工具要用户友好且能与现有系统互操作。在实践中，可以设想以下工作流程：当EP研究计划进行，例如，VT消融时，患者的ECG记录（无论是代表性的心动过速12导联ECG还是包含PVC的窦性心律ECG）提前输入AI算法。算法输出一个概率图或可能起源部位的排名。这些信息呈现给电生理学家，或许是以心脏图上的图形叠加或带有注释的12导联ECG形式突出显示感兴趣的特征。现代EP标测系统可以导入这个预测；例如，系统可能在X光透视或3D地图上显示一个高亮区域（例如，“高可能性病灶位于左室下间隔”）。这种整合需要与设备/软件制造商合作，以确保监管合规性和无缝数据流。值得注意的是，AI输出的可解释性和透明度将决定临床医生的接受程度。因此，整合的一部分也是教育性的，培训EP临床医生理解AI告诉他们什么（以及不告诉他们什么）。鉴于高风险，这些工具可能会被用作确认性辅助（指导首先看哪里），而不是作为不容置疑的真理。随着时间的推移，随着信心增长，AI建议可能在诸如何处消融或何时停止手术等决策中具有更大权重。

另一个未来整合的方面是将AI-ECG定位与其他患者数据相结合以增强准确性，从而迈向EP中的多模态AI。我们已经在胸部X光片整合中看到了这一点；未来，可以将基于ECG的预测与成像数据（如心脏MRI瘢痕图或CT解剖模型）融合。如果AI ECG算法提示流出道有病灶，且术前MRI显示该区域有瘢痕，证据的汇聚会加强判断，甚至可能有助于微调靶点（定位到瘢痕边界区）。反之，如果模态冲突，则可能表明需要进行更全面的标测。因此，AI可能成为更大决策支持系统的一个组成部分。可穿戴技术和持续监测也将发挥作用：未来的AI可能分析长期ECG或贴片监测数据，以捕捉自发性心律失常并定位它们，这样当患者见到EP时，就有丰富的信息了解触发心律失常的原因及其来源。将持续数据分析整合到临床工作流程中，可以改善干预时机，在心律失常变得无休止或导致心肌病之前实现更早的治疗。

在监管和实施方面，获得FDA批准或CE标志需要对AI算法不仅展示性能，还要展示安全性和偏见缓解。模型必须经过验证，以确保在不同亚组中具有一致的准确性。它们应包括强大的网络安全和故障安全功能。专家们提出了一个分阶段路线图：从临床前回顾性验证开始，然后是多中心前瞻性研究，之后是监管审查，最后进行有控制的推出并配合上市后监测以确保持续有效性。我们目前正处于这一AI驱动ECG定位路径的早期阶段。如果结果保持积极，未来几年内很可能会看到该领域首个获得监管批准的临床工具。

3 结论

AI在电生理学中的应用正从心律失常检测向治疗指导发展。AI驱动ECG解读用于心律失常源定位这一特定用例代表了这一进展。通过利用人类单独无法轻易量化的12导联ECG中的模式，AI可以无创地精确定位心律失常在心脏中的起源，有效地提供了一张“术前地图”。近期在WPW和特发性室性心律失常中的研究表明，此类算法能够实现高准确率并提高手术效率。其临床影响可能是巨大的：更精准的消融、更短的手术时间和改善的患者预后。然而，这项创新伴随着挑战。严格的验证、整合到临床系统以及通过可解释的输出维持临床医生的信心，是AI定位成为EP常规实践之前的基本步骤。这些发展凸显了一个关键趋势：数据科学与电生理学专业知识的融合。随着该领域的发展，电生理学家可能很快会像与影像专家合作一样，与数据工程师紧密合作，共同设计能够放大而非取代临床判断的AI工具。在一个以精准和时机为定义的学科中，AI增强的ECG解读提供了一种增强精准度和节省时间的新方法。拥抱并批判性地评估这项技术，对于将其前景转化为电生理学中改善的患者护理至关重要。

作者贡献

Ibrahim Antoun：概念化、方法论、验证、撰写原始稿件。Mahmoud Eldesouky, Alkassem Alkhayer, Ahmed Abdelrazik, Kaung Myat Thu, Mokhtar Ibrahim, Riyaz Somani, G. André Ng：写作 – 审阅与编辑。

致谢

G.A.N. 受到英国心脏基金会卓越研究奖、英国心脏基金会项目资助、医学研究委员会生物医学催化剂发展路径资助计划以及NIHR i4i资助的支持。

基金

作者未获得进行此项工作的专项资助。

同意

作者无报告内容。

利益冲突

作者声明无利益冲突。

数据可用性声明

作者无报告内容。

【全文结束】