鄭琰莉 蘇文星 宋元濤

摘要 ?近年來，心血管疾病發(fā)病率逐年增高，傳統(tǒng)治療方法在臨床應(yīng)用中存在效率低、成本高等問題。機(jī)器學(xué)習(xí)具有強(qiáng)大的分析能力，可改善此類問題，在心血管疾病臨床應(yīng)用中受到了廣泛關(guān)注。介紹了機(jī)器學(xué)習(xí)的相關(guān)概念，梳理了機(jī)器學(xué)習(xí)在心血管疾病臨床應(yīng)用的研究進(jìn)展，總結(jié)機(jī)器學(xué)習(xí)在該領(lǐng)域的不足與挑戰(zhàn)，旨在為機(jī)器學(xué)習(xí)在心血管疾病臨床應(yīng)用的進(jìn)一步研究提供參考。

關(guān)鍵詞 ?心血管疾??；機(jī)器學(xué)習(xí)；臨床應(yīng)用；綜述

doi： ?10.12102/j.issn.1672.1349.2024.10.015

隨著人口老齡化進(jìn)程加快，受居民不良生活方式的影響，心血管疾病發(fā)病率逐年增高。據(jù)統(tǒng)計(jì)，2020年，我國(guó)罹患心血管病人數(shù)約為3.3億例，且農(nóng)村地區(qū)心血管病死亡率高于城市 ?［1］ 。臨床對(duì)心血管疾病的診斷主要依賴醫(yī)師對(duì)病人臨床癥狀、既往病史及輔助檢查的綜合分析。醫(yī)師的經(jīng)驗(yàn)水平對(duì)診療效率帶來一定的影響，且心血管疾病的診斷過程煩瑣且價(jià)格昂貴 ?［1］ 。機(jī)器學(xué)習(xí)因具有強(qiáng)大的分析與處理能力，在心血管疾病臨床應(yīng)用中受到了廣泛關(guān)注與應(yīng)用 ?［2.3］ ?，F(xiàn)梳理了國(guó)內(nèi)外學(xué)者關(guān)于機(jī)器學(xué)習(xí)在心血管疾病臨床方面應(yīng)用的研究進(jìn)展，旨在為機(jī)器學(xué)習(xí)在心血管疾病臨床應(yīng)用的進(jìn)一步研究提供參考。

1 機(jī)器學(xué)習(xí)概述

1.1 機(jī)器學(xué)習(xí)的定義與分類

人工智能是計(jì)算機(jī)科學(xué)的一個(gè)領(lǐng)域，旨在模擬人類的思維過程、學(xué)習(xí)能力和知識(shí)存儲(chǔ)。機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的方法之一，通常是指系統(tǒng)通過算法從數(shù)據(jù)中獲取特征信息以自動(dòng)學(xué)習(xí)數(shù)據(jù)的內(nèi)在模式進(jìn)行相應(yīng)決策的過程。醫(yī)院儲(chǔ)存的海量電子病歷、影像學(xué)資料和實(shí)驗(yàn)室檢查數(shù)據(jù)為機(jī)器學(xué)習(xí)的應(yīng)用奠定了良好的基礎(chǔ)。根據(jù)不同的學(xué)習(xí)方式，機(jī)器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)及增強(qiáng)學(xué)習(xí)（見表1），可用于解決分類、回歸、聚類、降維等問題 ?［4.5］ 。目前，機(jī)器學(xué)習(xí)已廣泛應(yīng)用于心血管疾病的臨床診療中，如電子病歷 ?［6］ 、醫(yī)學(xué)影像 ?［7］ 、心電圖 ?［8］ 和評(píng)估預(yù)測(cè) ?［9］ 等。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)重要分支，其主要是利用隱藏神經(jīng)元層對(duì)數(shù)據(jù)信息進(jìn)行處理分析得到任務(wù)結(jié)果，這種模型可獲得數(shù)據(jù)信息的大量特征，通常依賴較少的假設(shè)，提供較好的、穩(wěn)健的預(yù)測(cè)，尤其在處理大規(guī)模數(shù)據(jù)、復(fù)雜任務(wù)時(shí)表現(xiàn)出較高的效率 ?［10］ 。由于其特點(diǎn)，深度學(xué)習(xí)模型在醫(yī)學(xué)影像領(lǐng)域有廣泛的應(yīng)用 ?［11］ ，且隨著計(jì)算機(jī)相關(guān)基礎(chǔ)設(shè)施的持續(xù)發(fā)展與公共數(shù)據(jù)資源的不斷完善，機(jī)器學(xué)習(xí)可能成為心血管疾病臨床應(yīng)用的發(fā)展趨勢(shì)。

1.2 機(jī)器學(xué)習(xí)的工作流程

機(jī)器學(xué)習(xí)的工作流程通常包括原始數(shù)據(jù)的收集、數(shù)據(jù)處理、特征選擇、數(shù)據(jù)集拆分、模型構(gòu)建與優(yōu)化和模型性能指標(biāo)評(píng)估 ?［9］ 。詳見圖1。數(shù)據(jù)的質(zhì)量直接影響機(jī)器學(xué)習(xí)的性能，以往收集到的原始數(shù)據(jù)存在缺失與異常等情況，因此，處理原始數(shù)據(jù)對(duì)模型的構(gòu)建非常重要；特征選擇是從諸多可用變量中選擇對(duì)目標(biāo)貢獻(xiàn)較大的變量，提高模型的效率。數(shù)據(jù)集一般分為訓(xùn)練集和測(cè)試集，前者用于機(jī)器學(xué)習(xí)模型的訓(xùn)練，后者用于評(píng)估其泛化能力。通過對(duì)模型參數(shù)不斷優(yōu)化，提高模型的性能指標(biāo)，常用的評(píng)估指標(biāo)有準(zhǔn)確率（accuracy）、召回率（recall）、受試者工作特征曲線下面積（AUC）、F1 Score等 ?［15］ 。

2 機(jī)器學(xué)習(xí)在心血管疾病臨床中的應(yīng)用

機(jī)器學(xué)習(xí)在心血管疾病臨床中的應(yīng)用廣泛，為進(jìn)一步說明其研究進(jìn)展，現(xiàn)回顧其在心電圖、影像學(xué)領(lǐng)域的相關(guān)研究成果，并概述了其在電子病歷、移動(dòng)和可穿戴設(shè)備等方面的研究現(xiàn)狀。

2.1 機(jī)器學(xué)習(xí)在心電圖領(lǐng)域中的應(yīng)用

心電圖是利用電生理原理記錄心臟周期性電活動(dòng)變化圖形的技術(shù)，是臨床診斷心血管疾病的常用方法 之一。然而，心電圖的判讀取決于醫(yī)師的經(jīng)驗(yàn)與知識(shí) ?累積，且受判讀過程中的環(huán)境、機(jī)器、人為誤差的影響，存在誤判可能性。隨著機(jī)器學(xué)習(xí)在心電圖領(lǐng)域的應(yīng)用，可實(shí)現(xiàn)對(duì)圖像的自動(dòng)化診斷， 節(jié)省醫(yī)師大量時(shí)間，同時(shí)可提高疾病的檢出率，降低誤診率和漏診率 ?［16］ 。詳見表2。

心電圖可對(duì)心律失常進(jìn)行疾病檢測(cè)與分類，目前機(jī)器學(xué)習(xí)在該領(lǐng)域的研究成果頗多。Hannun等 ?［17］ 收集了53 877例病人共91 232份單導(dǎo)聯(lián)心電圖，使用DNN對(duì)12種心律進(jìn)行檢測(cè)和分類，結(jié)果表明，AUC為0.97，陽性預(yù)測(cè)值和敏感度的平均F1值（0.837）高于心臟病專家平均F1值（0.780），具有較高的臨床應(yīng)用價(jià)值。Chang等 ?［18］ 基于38 899例病人共65 932份12導(dǎo)聯(lián)心電圖，利用LSTM對(duì)12種心律進(jìn)行檢測(cè)分類，結(jié)果顯示，LSTM模型分類的平均準(zhǔn)確率為0.90，優(yōu)于內(nèi)科專家（0.55）、急診醫(yī)生（0.73）和心臟病專家（0.83）；同時(shí)LSTM的識(shí)別時(shí)間僅為5.7 s，遠(yuǎn)短于醫(yī)師判讀所需的時(shí)間。但該模型在心電圖噪聲的情況下可能無效，且對(duì)復(fù)雜的心律不能較好地進(jìn)行檢測(cè)分類。

機(jī)器學(xué)習(xí)在心血管預(yù)測(cè)和疾病診斷領(lǐng)域也取得了諸多進(jìn)展。心室纖顫是一種威脅生命的疾病，若提前進(jìn)行預(yù)測(cè)可能挽救病人生命。Taye等 ?［19］ 從120 s的HRV和心電圖信號(hào)中提取特征，預(yù)測(cè)心室纖顫發(fā)生前30 s的情況，結(jié)果驗(yàn)證了利用QRS波形特征預(yù)測(cè)心室纖顫發(fā)作的可行性。Raghunath等 ?［20］ 收集了1984—2019年的43萬例病人的12導(dǎo)心電圖訓(xùn)練DNN，預(yù)測(cè)無心房顫動(dòng)病史的病人新發(fā)（1年內(nèi)）心房顫動(dòng)的風(fēng)險(xiǎn)，結(jié)果顯示，AUC為0.85，預(yù)測(cè)有新發(fā)心房顫動(dòng)風(fēng)險(xiǎn)敏感度為69%，特異度為81%，預(yù)測(cè)模型性能超過了目前可用的臨床模型。在疾病篩查層面，Tison等 ?［21］ 聯(lián)合CNN和HMM對(duì)36 186份心電圖波段進(jìn)行分割，推導(dǎo)出一種用于心電分割的新模型篩查心 臟疾病，結(jié)果表明，該模型檢測(cè)肥厚型心肌病（HCM）的AUC為0.91， 心臟淀粉樣變性（CA）和二尖瓣脫垂（MVP）AUC分別為0.86 和0.77，為開展相關(guān)心臟疾病早期篩查提供了新思路。

綜上，機(jī)器學(xué)習(xí)在心電圖領(lǐng)域臨床應(yīng)用成果豐碩，對(duì)提高診療效率有較大幫助，但也存在數(shù)據(jù)獲 取困難、模型應(yīng)用場(chǎng)景單一、算法過程不透明化等問題亟須解決。

2.2 機(jī)器學(xué)習(xí)在影像學(xué)領(lǐng)域中的應(yīng)用

除心電圖外，利用影像學(xué)對(duì)心血管疾病進(jìn)行診查也是重要的方法之一，常用的方法包括CT檢查、心臟磁共振、超聲心動(dòng)圖、光學(xué)相干斷層掃描等。機(jī)器學(xué)習(xí)在圖像識(shí)別領(lǐng)域的發(fā)展迅速，可對(duì)心血管疾病影像進(jìn)行有效識(shí)別，提高診查效率。

有研究使用CNN對(duì)500多例病人和7 000份超聲視頻影像進(jìn)行識(shí)別，結(jié)果顯示，單幀和序列的準(zhǔn)確率分別為（98.3±0.6）%和（98.9±0.6）%，實(shí)時(shí)性能為每幀（4.4±0.3）ms，具有良好的性能，但由于樣本量有限，對(duì)肋骨下緣切面無法有效訓(xùn)練和評(píng)估 ?［22］ 。有研究團(tuán)隊(duì)利用單光子發(fā)射CT（single photon emission computed tomography，SPECT）對(duì)心血管疾病進(jìn)行診療，Betancur等 ?［23］ 對(duì)392例病人利用支持向量機(jī)模型（SVM）對(duì)瓣膜平面進(jìn)行精確分割，結(jié)果顯示，SVM的效果均好于專家效果，證實(shí)了機(jī)器學(xué)習(xí)在SPECT心肌血流灌注自動(dòng)分析中可提高準(zhǔn)確性。Mannil等 ?［24］ 基于心臟計(jì)算機(jī)斷層掃描數(shù)據(jù)對(duì)27例急性心肌梗死病人，30例慢性心肌梗死病人，30例無心功能異常的對(duì)照組采用檢驗(yàn)紋理分析和機(jī)器學(xué)習(xí)是否在非對(duì)比增強(qiáng)低輻射劑量心臟計(jì)算機(jī)斷層掃描圖像上檢測(cè)心肌梗死，結(jié)果顯示， 試驗(yàn)一（對(duì)照組、急性心肌梗死病人、慢性心肌梗死病人）中KNN算法效果最佳（敏感度為69.0%， 特異度為85.0%，假陽性率為15.0%）；試驗(yàn)二（對(duì)照組與合并急性和慢性心肌梗死病人）中局部加權(quán)學(xué)習(xí)分類法最佳（敏感度為86%，特異度為81%，假陽性率為19.0%），AUC為0.78。

機(jī)器學(xué)習(xí)模型的內(nèi)部機(jī)制和過程解釋性不強(qiáng)，導(dǎo)致機(jī)器學(xué)習(xí)在臨床應(yīng)用中受到質(zhì)疑 ?［25］ ，因此，基于可解釋性的機(jī)器學(xué)習(xí)應(yīng)用成為研究熱點(diǎn)。田瑤天等 ?［26］ 對(duì)45例臨床診斷為兒童心肌炎基于可解釋性心臟磁共振（CMR）參數(shù)的機(jī)器學(xué)習(xí)模型預(yù)測(cè)預(yù)后，結(jié)果驗(yàn)證了基于可解釋性CMR組合參數(shù)建立的機(jī)器學(xué)習(xí)模型可預(yù)測(cè)兒童心肌炎病人預(yù)后，對(duì)臨床的應(yīng)用具有重要價(jià)值。

影像學(xué)檢查產(chǎn)生的數(shù)據(jù)量較大，機(jī)器學(xué)習(xí)可有效地學(xué)習(xí)和處理復(fù)雜、龐大的數(shù)據(jù)集，通過快速、準(zhǔn)確地閱讀、解釋和診斷，在實(shí)現(xiàn)心血管成像工作流程自動(dòng)化方面發(fā)揮著重要作用。Qin等 ?［27］ 提出了一種獨(dú)特的、新型的卷積遞歸神經(jīng)網(wǎng)絡(luò)（CRNN）架構(gòu)，利用時(shí)間序列的依賴性及傳統(tǒng)優(yōu)化算法的迭代性質(zhì)，從高度欠采樣的K空間數(shù)據(jù)重建高質(zhì)量的心臟MR圖像，從而極大縮短了成像時(shí)間。Schlemper等 ?［28］ 提出一個(gè)基于深度多層卷積神經(jīng)網(wǎng)絡(luò)從欠采樣數(shù)據(jù)重建二維心臟MR圖像的動(dòng)態(tài)序列，以加速數(shù)據(jù)采集過程，該模型可在10 s內(nèi)對(duì)每個(gè)完整的動(dòng)態(tài)序列進(jìn)行重建；二維情 況，每個(gè)圖像幀可在23 ms內(nèi)重建，極大縮短了成像 時(shí)間。

2.3 機(jī)器學(xué)習(xí)在其他領(lǐng)域中的應(yīng)用

機(jī)器學(xué)習(xí)越來越多地應(yīng)用于心血管疾病，以解釋復(fù)雜的數(shù)據(jù)，包括先進(jìn)的成像技術(shù)、EHR、生物庫(kù)、臨床試驗(yàn)、可穿戴設(shè)備、臨床傳感器、基因組學(xué)和其他分子分析技術(shù)。Tison等 ?［29］ 研發(fā)并驗(yàn)證一種基于DNN的智能手表監(jiān)測(cè)病人心律變化情況并預(yù)測(cè)心房顫動(dòng)的發(fā)生，結(jié)果顯示，該研究可被動(dòng)監(jiān)測(cè)心房顫動(dòng)，為預(yù)測(cè)心血管疾病的發(fā)生提供了新思路。基因組學(xué)在心血管疾病中發(fā)揮著重要作用，但由于基因檢測(cè)的復(fù)雜性，依靠人工非常困難，機(jī)器學(xué)習(xí)算法基于大量的序列數(shù)據(jù)對(duì)基因進(jìn)行識(shí)別分析，從而幫助科研人員解釋和理解該基因關(guān)聯(lián)疾病背后的機(jī)制 ?［30.31］ 。袁源 ?［32］ 利用神經(jīng)網(wǎng)絡(luò)模型研究矮身材心血管代謝疾?。╟ardiometabolic disease，CMD）關(guān)系，結(jié)果顯示，矮身材可增加CMD的患病風(fēng)險(xiǎn)，且證實(shí)了利用神經(jīng)網(wǎng)絡(luò)建立的rhGH預(yù)警模型可預(yù)測(cè)矮身材兒童患病風(fēng)險(xiǎn)，為該領(lǐng)域的研究提供了重要參考。

無論是心電圖的檢查、影像學(xué)的生成及病人的日常病歷均記錄在電子病歷系統(tǒng)中，這是一個(gè)包涵豐富信息的數(shù)據(jù)庫(kù)。有效利用電子病歷可提高醫(yī)學(xué)工作者在臨床中的工作效率，并對(duì)病人疾病風(fēng)險(xiǎn)進(jìn)行提前預(yù)警。何硙 ?［33］ 基于電子病歷，利用XGBoost算法構(gòu)建電子衰弱指數(shù)，較好地預(yù)測(cè)老年住院病人住院期間及出院后1年內(nèi)不良事件發(fā)生風(fēng)險(xiǎn)，該研究可對(duì)老年病人有效幫助，對(duì)疾病預(yù)防領(lǐng)域有著一定的借鑒意義。楊楚詩(shī)等 ?［34］ 利用行為數(shù)據(jù)、人口學(xué)指標(biāo)等驗(yàn)證了機(jī)器學(xué)習(xí)在急性心肌梗死患病風(fēng)險(xiǎn)方面的預(yù)測(cè)。

機(jī)器學(xué)習(xí)根據(jù)不同類型的數(shù)據(jù)構(gòu)建出相應(yīng)的模型，從而為心血管專家診療提供參考。這些方法是多學(xué)科的交融，并非以人工智能取代醫(yī)生。加速數(shù)字化的臨床應(yīng)用將幫助病人獲得足夠的診療時(shí)間，改善病人和醫(yī)護(hù)人員之間的關(guān)系。

3 小結(jié)與展望

為了較好地推動(dòng)機(jī)器學(xué)習(xí)在心血管疾病中的應(yīng)用，本文首先介紹了機(jī)器學(xué)習(xí)的概念，之后梳理了機(jī)器學(xué)習(xí)在心電圖、影像學(xué)領(lǐng)域中的研究成果，根據(jù)目前研究熱點(diǎn)總結(jié)了其在可穿戴設(shè)備、基因組學(xué)、電子病歷等方面的研究現(xiàn)狀。機(jī)器學(xué)習(xí)已成為心血管醫(yī)學(xué)領(lǐng)域的研究熱點(diǎn)且極具發(fā)展前景，較好地解決了部分醫(yī)師診療經(jīng)驗(yàn)不足及過程繁雜等問題，提高了心血管疾病診療效率與準(zhǔn)確度，有助于緩解醫(yī)療壓力，降低病人就醫(yī)成本，提高醫(yī)療機(jī)構(gòu)的管理效率，為醫(yī)療機(jī)構(gòu)數(shù)字化發(fā)展貢獻(xiàn)一份微薄之力。

機(jī)器學(xué)習(xí)在該領(lǐng)域中有一定局限性與挑戰(zhàn)，包括數(shù)據(jù)、倫理、技術(shù)3個(gè)方面。首先數(shù)據(jù)的質(zhì)量決定機(jī)器學(xué)習(xí)模型效果，受到采集等影響常出現(xiàn)數(shù)據(jù)樣本量不足、數(shù)據(jù)標(biāo)注質(zhì)量不高、樣本類別不平衡等，使機(jī)器學(xué)習(xí)的應(yīng)用產(chǎn)生一定的局限。目前的研究多數(shù)是基于特定的數(shù)據(jù)集對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行構(gòu)建，模型的普適性較低，且由于醫(yī)學(xué)領(lǐng)域的特殊性，模型的準(zhǔn)確率尚不能達(dá)到在臨床廣泛應(yīng)用的標(biāo)準(zhǔn)。多數(shù)機(jī)器學(xué)習(xí)模型普遍存在解釋性不足的問題，模型的內(nèi)部邏輯復(fù)雜，造成了臨床人員有一定的抵觸心理。機(jī)器學(xué)習(xí)應(yīng)用的過程中，還因涉及病人隱私導(dǎo)致的一些倫理問題。隨著數(shù)據(jù)質(zhì)量的不斷提高，機(jī)器學(xué)習(xí)技術(shù)的持續(xù)完善，在醫(yī)患與社會(huì)的共同努力下，機(jī)器學(xué)習(xí)在心血管疾病臨床中的應(yīng)用有廣闊的前景。

參考文獻(xiàn)：

［1］ ??《中國(guó) 心血管健康與疾病報(bào)告》編寫委員會(huì).《中國(guó)心血管健康與疾病報(bào)告2020》要點(diǎn)解讀［J］.中國(guó)心血管雜志，2021，26（3）：209.218.

［2］ ?SHAMEER K， JOHNSON K W，GLICKSBERG B S， et al .Machine learning in cardiovascular medicine：are we there yet？［J］.Heart，2018，104（14）：1156.1164.

［3］ ?SEVAKULA R K， AU.YEUNG W M，SINGH J P， et al .State.of.the.art machine learning techniques aiming to improve patient outcomes pertaining to the cardiovascular system［J］.Journal of the American Heart Association，2020，9（4）：1.5.

［4］ ?楊劍鋒， 喬佩蕊，李永梅，等.機(jī)器學(xué)習(xí)分類問題及算法研究綜述［J］.統(tǒng)計(jì)與決策，2019，35（6）：36.40.

［5］ ?徐洪學(xué)， 孫萬有，杜英魁，等.機(jī)器學(xué)習(xí)經(jīng)典算法及其應(yīng)用研究綜述［J］.電腦知識(shí)與技術(shù)，2020，16（33）：17.19.

［6］ ?MAHMOUDI E， KAMDAR N，KIM N， et al .Use of electronic medical records in development and validation of risk prediction models of hospital readmission：systematic review［J］.BMJ，2020，369（m958）：1.15.

［7］ ?姚堯. 《中國(guó)醫(yī)學(xué)影像AI白皮書》聚焦六大問題［J］.中國(guó)經(jīng)濟(jì)信息，2019，627（4）：10.

［8］ ?渠強(qiáng)， 孫勁禹，闞俊彥，等.人工智能在心電圖中的應(yīng)用進(jìn)展［J］.中華心血管病雜志，2021，49（11）：1146.1151.

［9］ ?SHU S R， REN J，SONG J P.Clinical application of machine learning.based artificial intelligence in the diagnosis，prediction，and classification of cardiovascular diseases［J］.Circulation Journal，2021，85（9）：1416.1425.

［10］ ?RAJKOMAR A， DEAN J，KOHANE I.Machine learning in medicine［J］.The New England Journal of Medicine，2019，380（14）：1347.1358.

［11］ ?LITJENS G， KOOI T，BEJNORDI B E， et al .A survey on deep learning in medical image analysis［J］.Medical Image Analysis，2017，42（1）：60.88.

［12］ ?吳昊， 黃德根，林曉惠.基于強(qiáng)化學(xué)習(xí)的醫(yī)療問題訴求分類［J］.中文信息學(xué)報(bào)，2021，35（3）：100.106.

［13］ ?LEE E K， KUROKAWA Y K，TU R， et al .Machine learning plus optical flow：a simple and sensitive method to detect cardioactive drugs［J］.Scientific Reports，2015：11817（5）：1.12.

［14］ ?張宇. 基于深度強(qiáng)化學(xué)習(xí)的心律不齊診斷算法研究［D］.上海：上海交通大學(xué)，2019.

［15］ ?AL′AREF S J， ANCHOUCHE K，SINGH G， et al .Clinical applications of machine learning in cardiovascular disease and its relevance to cardiac imaging［J］.European Heart Journal，2019，40（24）：1975.1986.

［16］ ?LOPEZ.JIMENEZ F， ATTIA Z，ARRUDA.OLSON A M， et al .Artificial intelligence in cardiology：present and future［J］.Mayo Clinic Proceedings，2020，95（5）：1015.1039.

［17］ ?HANNUN A Y， RAJPURKAR P，HAGHPANAHI M， et al .Cardiologist.level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network［J］.Nature Medicine，2019，25（1）：65.69.

［18］ ?CHANG K C， HSIEH P H，WU M Y， et al .Usefulness of machine learning.based detection and classification of cardiac arrhythmias with 12.lead electrocardiograms［J］.The Canadian Journal of Cardiology，2021，37（1）：94.104.

［19］ ?TAYE G T， SHIM E B，HWANG H J， et al .Machine learning approach to predict ventricular fibrillation based on QRS complex shape［J］.Frontiers in Physiology，2019，10（1）：1.10.

［20］ ?RAGHUNATH S， PFEIFER J M，ULLOA.CERNA A E， et al .Deep neural networks can predict new.onset atrial fibrillation from the 12.lead ECG and help identify those at risk of atrial fibrillation.related stroke［J］.Circulation，2021，143（13）：1287.1298.

［21］? TISON G H， ZHANG J，DELLING F N， et al .Automated and interpretable patient ECG profiles for disease detection，tracking，and discovery［J］.Circulation Cardiovascular Quality and Outcomes，2019，12（9）：1.12.

［22］? STVIK A， SMISTAD E，AASE S A， et al .Real.time standard view? classification in transthoracic echocardiography using convolutional? neural networks［J］.Ultrasound in Medicine & Biology，2019，45（2）：374.384.

［23］? BETANCUR J， RUBEAUX M，F(xiàn)UCHS T A， et al .Automatic valve plane localization in myocardial perfusion SPECT/CT by machine learning：anatomic and clinical validation［J］.Journal of Nuclear Medicine，2017，58（6）：961.967.

［24］? MANNIL M， VON SPICZAK J，MANKA R， et al .Texture analysis and machine learning for detecting myocardial infarction in noncontrast low.dose computed tomography：unveiling the invisible［J］.Investigative Radiology，2018，53（6）：338.343.

［25］? WATSON D S， KRUTZINNA J，BRUCE I N， et al .Clinical applications of machine learning algorithms：beyond the black box［J］.BMJ，2019，364（1886）：1.4.

［26］? 田瑤天， 王寶，李葉琴，等.基于可解釋性心臟磁共振參數(shù)的機(jī)器學(xué)習(xí)模型預(yù)測(cè)兒童心肌炎的預(yù)后［J］.山東大學(xué)學(xué)報(bào)（醫(yī)學(xué)版），2021，59（7）：43.49.

［27］? QIN C， SCHLEMPER J，CABALLERO J， et al .Convolutional recurrent neural networks for dynamic MR image reconstruction［J］.IEEE Transactions on Medical Imaging，2019，38（1）：280.290.

［28］? SCHLEMPER J， CABALLERO J，HAJNAL J V， et al .A deep cascade of convolutional neural networks for dynamic MR image reconstruction［J］.IEEE Transactions on Medical Imaging，2018，37（2）：491.503.

［29］? TISON G H， SANCHEZ J M，BALLINGER B， et al .Passive detection of atrial fibrillation using a commercially available smart watch［J］.JAMA Cardiology，2018，3（5）：409.416.

［30］? 張勁柏， 傅曉寧.機(jī)器學(xué)習(xí)在基因組學(xué)中的應(yīng)用［J］.中國(guó)醫(yī)藥科學(xué)，2020，10（22）：227.230.

［31］? CHALAZAN B， MOL D，DARBAR F A， et al .Association of rare genetic variants and early.onset atrial fibrillation in ethnic minority individuals［J］.JAMA Cardiology，2021，6（7）：811.819.

［32］? 袁源. 矮身材心血管代謝評(píng)估與神經(jīng)網(wǎng)絡(luò)模型構(gòu)建［D］.北京：北京中醫(yī)藥大學(xué)，2021.

［33］? 何硙. 基于機(jī)器學(xué)習(xí)構(gòu)建電子衰弱指數(shù)及識(shí)別衰弱臨床亞型研究［D］.北京：北京協(xié)和醫(yī)學(xué)院，2021.

［34］? 楊楚詩(shī)， 張朋柱.基于行為數(shù)據(jù)的急性心肌梗塞患病風(fēng)險(xiǎn)預(yù)測(cè)［J］.計(jì)算機(jī)仿真，2021，38（4）：442.446.

（收稿日期：2023.02.02）

（本文編輯 薛妮）