本文刊于：中华心血管病杂志【SCF-011】妹★パラダイス 50人4時間，  2023，51(6) : 670-676

作家： 张可欣  赵青青  曾和松  朱红玲

单元：华中科技大学同济医学院附庸同济病院心内科

图片

暗网人兽概要东说念主工智能扶持听诊所以电子听诊器和策画机扶持的心音分析算法为基础的心血管疾病扶持查验工夫。东说念主工智能通过对心音问号进行去噪、分段、特征索要和分类，大约准确识别很是心音，判断特定的疾病。应用面前启航点进的深度学习方法会诊腹黑瓣膜病、先天性腹黑病等均可达到较高的准确性。东说念主工智能所具备的高度准确性，加之听诊自己便具有的无创、用度低、方便等优点，为该工夫在心血管疾病的早期筛查方面带来了极大的临床应用价值。该文将对腹黑听诊、电子听诊器以及策画机扶持的心音问号的处理分析方法进行简要先容，概括东说念主工智能扶持听诊工夫的参议近况与临床应用出息。

心血管病在城乡住户亏欠率组成比中居首位，高于肿瘤等其他疾病［1］。为了缩堤防血管病所带来的危害，尽早会诊、尽早调和是重中之重。心血管病的诊治中，腹黑听诊是必不可少的要道之一，亦然每一位医师都应掌抓的基本技能。精深情况下，在患者表现出显然的临床症状前，对心音的正确解读能协助医师发现腹黑的结构很是，即使在影像学迅速发展的今天，腹黑听诊行动一项无创、低老本、方便的查验，仍占据不可取代的地位［2］。但不可否定的是，腹黑听诊的临床应用仍受到诸多适度，不论是外界扰乱如故医师主不雅判断的互异，都可能会对听诊的结果酿成极大影响。

跟着电子听诊器和心音分析工夫的发展，东说念主工智能（artificial intelligence，AI）扶持听诊工夫的产生为腹黑听诊提供了新的可能性。电子听诊器大约灵验地阻挠环境杂音和摩擦，取得定量化的心音数据，通过蓝牙等形态上传至采集系统，生成心音图。基于心音问号的新式策画机扶持会诊系统通过索要心音图中的环节参数，将监测到的患者数据与库中数据进行对比分析，自动取得直不雅的会诊结果。该工夫对瓣膜病和先天性腹黑病的会诊具有极高的准确性［3］，对其他心血管疾病的早期筛查、扶持会诊也具有潜在临床应用价值。本文将对腹黑听诊、电子听诊器以及前沿的心音问号的处理分析方法进行简要先容，概括AI扶持听诊工夫的参议近况与临床应用出息。

一、腹黑听诊

旧例的腹黑听诊中，医师需要介怀心率、心律、心音、稀奇心音及腹黑杂音。面前精深觉得心音、腹黑杂音是多种事件互相作用的结果，包括血液在心内进行加快、降速通顺形成的湍流与涡流，血流冲刷瓣膜、心壁和大血管所产生的振动，瓣膜的开、闭，以及心肌在周期性的心电行动作用下的舒张、收缩［4， 5， 6］。因此，其强度、性质和因素的改变响应着心内血流、腹黑瓣膜和心肌功能的变化。腹黑行动产生的声息经过心怀传导系统到达体表，便可被东说念主耳或扶持器具采集，东说念主耳可分辨的心音，一般按其在心动周期中出现的规矩被分为4种因素。第一心音（S1）出面前二尖瓣和三尖瓣关闭、心室收缩动手时，代表着收缩期的动手。第二心音（S2）出面前主动脉瓣和肺动脉瓣关闭、心室舒张动手时，代表着舒张期的动手。S1和S2的鉴识关于服气稀奇心音和杂音很高大，时时S1调子较低，持续时期较长，与心尖的外向搏动险些同步。在曩昔的S1、S2除外听到的附加心音为稀奇心音。舒张早期由于心室的快速充盈可能会出现第三心音（S3），这在部分后生东说念主中属曩昔表现，但关于40岁以上东说念主群而言则为病感性改变。心房收缩引起的舒张晚期心室充盈可产生第四心音（S4），时时是左心室肥厚和冠状动脉疾病的临床征兆［7］。此外，还有开瓣音、喷射音和喀喇音等。腹黑杂音是心音、稀奇心音之外的很是声息，其发生时相、强度、性质、形态等特征均对腹黑的功能性或器质性疾病起到一定教导作用。准确地识别具有病理意旨的心音、杂音，大约协助医师对可能的心血管疾病进行分析，作出初步判断。但基于东说念主工听诊的心音会诊，是一种医师凭借个东说念主陶冶和技巧对心音的调子及强度进行判断的定性方法，受到主不雅因素、东说念主耳分辨才略以及环境杂音的适度。二、电子听诊器

电子听诊器的发明弥补了东说念主工听诊的残障，为策画机扶持心音检测工夫奠定了基础。电子听诊器具有钟式、膜式和扩张式3种听诊模式，通过环境降噪工夫继承性地过滤布景杂音，同期按一定倍数对听诊音进行放大，协助医师取得更好的听诊效果。此外，记载的听诊音可随时回放，救援蓝牙传输、电子存档，自动生成心音图，便于进一步可视化分析，亦能用于费事医疗［8， 9］。电子听诊器的责任旨趣为将胸件所吸收到的声波调和为电信号，进一步降噪、放大，再通过数字化进行传输。因此，选择不同换能器或传感器的电子听诊器麇集心音数据的效果也有很大永逝。最简便的形态为在胸件中内置麦克风，由于受环境杂音扰乱过于严重面前已被淘汰。压电传感器较常见，它通过压电晶体与膜片耦合，在膜片通顺时发生形变而产生电信号，该形态的毛病在于调和进程中可能产生信号失真。基于微机电系统工夫的电容式传感器以电容值的变化检测声压，由于其对声波的反应与传统声学听诊器接洽，大约灵验幸免失真［10， 11］。

面前，市面上的电子听诊器型号特出特质见表1，其中3M Littmann Core、Eko DUO、Minttihealth Smartho-D2以及上海拓萧云听G-200几款电子听诊器不仅有专属配套软件，还提供了AI算法，大约即时对心音问号进行处理分析，故意于患者居家自查；尚有一些电子听诊器配有费事医疗系统，包括3M Littmann Core、Cardionics Escope-Ⅱ以及eKuore Pro-ep0002等。此外，EKuore以及Minttihealth和汉泓等厂家出产的电子听诊器可搭配蓝牙耳机使用，救援王人备阻遏听诊，减少感染风险，在疫情时代得到了高度评价。

图片

三、AI心音分析工夫

心音图是心音问号的图形暗示，对心音图进行数据处理和分析不错为先天性腹黑病、充血性心力衰退等疾病的会诊和预后判断提供有价值的信息［8］。面前，心音图的临床应用仍不鄙俚，其主要问题在于心血管疾病症状多变，心音问号时时呈现出复杂性和各样性，东说念主工读图进程繁琐、极易出现无理或冷漠某些环节信息［12］，这使得高效、可靠、自动化的智能心音分析器具的研发变得很是有必要。

策画机扶持心音分析的进程时时包含4个部分，去噪、分段、时域特征索要和分类，会诊结果的准确性依赖于先进的分析方法。而深度学习行动AI鸿沟的中枢工夫之一，是当下心音分析鸿沟参议的前沿，其在心音分类中的应用尤为鄙俚。

（一）去噪在心音采集的进程中，心音问号会不可幸免地受到呼吸音、胃肠音等来自东说念主体的扰乱，以及来自外界的电磁扰乱、工频扰乱和速即噪声扰乱［13］。由于信号质料将径直影响心音分析的准确性，去噪是环节的第一步。主要形态有零乱小波变换［14］、奇异值阐述（singular value decomposition，SVD）［15］和自适合去噪［16］等。选择不同去噪形态的组合能取得更好的去噪效果，如基于小波变换和SVD的组合框架，根据互信息度量步履继承小波中信息量最大的节点，然后选择SVD工夫对所选节点对应的总计进行处理，以阻挠心音问号中的噪声因素，这种方法达到了更好的效果［17］。Gradolewski等［18］将小波变换和时延神经麇集相勾通建议了一种新的自适合去噪算法，能在不影响信号复杂性和可用性的情况下摒除不竭变化的环境扰乱。Puri等［19］建议了一种自判别学习去噪工夫，大约通过模式识别和统计学习回想杂音特征，达到对杂音和心音的准确区分。1.零乱小波变换：小波变换不错状貌为函数Xt∈L2R' role='presentation'>X(t)∈L2(R)通过带通滤波器之后的滤波。使用小波变换大约将原始信号阐述成具有频率和时域特征的二维信号，使得对信号的分析愈加全面。而零乱小波变换将所需信号重量不竭至大总计，同期将噪声分散在小总计中，阻挠与阈值比拟幅度较小的总计通过，从而进行去噪［14］。2.SVD：SVD是一种矩阵阐述工夫，将某个信号阐述为一系列特征值，并将这些特征值按其对信号重构的孝顺排序［15］。SVD是一种正交化的方法，关于一个行或列线性接洽的矩阵，通过在矩阵的傍边分别乘以一个正交的矩阵来对原矩阵进行变换，这么就不错将原矩阵中线性接洽的行或者列变为线性独处的行或者列。对矩阵H进行SVD阐述，保留前K个奇异值，较小的奇异值代表噪声信号。按照SVD阐述的逆进程就不错得到重构矩阵HΔ，将HΔ按照重构的方法进行逆变换，就不错得到降噪后的信号［20］。3.基于访佛组荒芜的自适合去噪方法：访佛组荒芜函数是界说在二维信号的点组，访佛组荒芜正则化不错较好地表征心音问号，与传统的小波方法比拟，该算法的优点是不需要事前界说的基函数，而且不错根据噪声水和气组大小以自适合形态现实［16］。（二）分段分段的主意在于将心音问号分为S1、收缩期、S2和舒张期，用于后续的特征分析。用于分段的方法不错和约略分为3类，基于包络的算法［21， 22］、基于特征索要和分类器的方法［23］以及基于序列模子的方法，面前效果最佳的分段工夫大多基于马尔可夫模子（HMM）［24］或隐半马尔可夫模子。深度学习框架连年来也已被应用于心音分段，Renna等［25］初次将卷积神经麇集与马尔可夫模子合股，经测试其平均明智度达93.9%；Messner等［26］和Fernando等［27］则引入了轮回神经麇集，明智度分别达到了96.1%和97.2%。1.基于包络的算法：该算法使用各样工夫来构建心音问号的包络，从而进行心音分割。心音问号不错抒发为给定二维平面上的点集，接洽包络特出特征分析方法包括最小凸包法、包络圆法和包络矩形法3种。基于包络的算法大约通过将心音调和为更合得当时期定位的表情来增强心音的可识别性，叉叉叉同期保留与时域的径直接洽，这一上风使其成PCG信号分割的最常用方法。2.马尔可夫模子：又称为马尔可夫蜕变矩阵法，是指在马尔可夫进程的假定前提下，通过分析速即变量的当前变化来瞻望这些变量将来变化的一种瞻望方法。该算法具有刚劲的泛化才略和相识分割心音的才略。Liu等［24］还应用了隐半马可科夫模子，即在步履的马尔可夫模子［λ=（A，B，π）］中整合每个心音景象剩余时期的概率模子［即λ=（A，B，π，p）］，明智度达98.1%。其中A为4种心音景象的传递矩阵，B为不雅察踱步矩阵，π为动手心音声息景象踱步，p是每个心音景象预期保持时期的概率密度函数。（三）特征索要特征索要即用少许具有代表性的特征来替代原信号［28］，一般在心音分段后进行，但如前文所述，也可对原始信号或去噪后的信号径直索要特征，之后进行基于特征的心音分段。陶冶模式阐述［29］和梅尔频率倒谱总计［8］是面前常用的心音特征索要方法。其中陶冶模式阐述用于将信号阐述为单组分的子带信号，其将非闲散和非线性信号阐述为一组幅度和频率调制信号的单重量，称为本征模式函数。生物信号时时表现出非线性和非闲散的步履。陶冶模式阐述工夫对非线性和非闲散数据的适用性使其适用于生物医学信号的时频域分析［29］。梅尔频率倒谱总计是自动声波分类鸿沟中最常用的时频特征，大约使用汉明窗口将音频信号重塑为较小的窗口，从而将信号分割为帧［30］；从而更便于索要数据特征，优点是声息问号的整个特征都聚合在第一总计中，便于聚类算法的索要，且其频带辞别更接近东说念主类听觉，面前行动一种刚劲的信号处理形态被鄙俚应用于声息识别鸿沟。（四）分类分类的主意是对检测结果作出定性判断，将心音问号判断为曩昔或很是。心音分类工夫主要包括救援向量机［31］、k-最隔邻算法［32］和东说念主工神经麇集等，可被辞别为传统机器学习方法和深度学习方法两大类［33］。传统模子举例浅层神经麇集，其输入数据是东说念主为继承的数据，而东说念主为继承进程耗时、依赖于专科常识，易产生偏差。深度学习是机器学习的一个子鸿沟，使用多层（深度）神经麇集来学习一组输入数据和输出数据之间的函数关系。深度学习麇集的上风在于输入信号的含义由麇集自身通过西席学习取得，且一些深度学习的模子不必东说念主工监督，缩小了东说念主为因素导致系统或速即缝隙的风险［34］。用于心音分类的深度学习方法主要包括卷积神经麇集［35， 36］和轮回神经麇集，也有参议同期应用两种神经麇集模子［37］。1.传统机器学习：传统的救援向量机的中枢想想是将平面数据调和为多维数据，使用超平面的方法对这些数据进行分类，被分类的整个点到超平面的距离大于某个设定距离，踱步在超平面的双方。k-最隔邻算法想想的中枢是待分类的样本的类别由距离该样本最近的K个邻居样本的类别决定，即根据少数谨守精深的原则投票产生，K个邻居中领有最精深量的分类设定为待测样本的分类。假定t为待服气分类的样本，A为已秀雅类别的样本集，k-最隔邻算法方法如下：最初利用距离策画方法策画出t与A中的每个样本的距离，再取t与A中整个样本距离最近的K个点，将这K个点记为B；然后策画B中每种分类的样本数目，B中样本数目最多的分类即为t的瞻望类［38］。2.东说念主工神经麇集：卷积神经麇集是一种特殊类型的深度前馈神经麇集，由输入层、隐层、全畅达层和输出层组成。隐层由卷积层和池化层瓜代畅达组成，即通过卷积操作索要特征，再通过池化操作得到愈加抽象的特征，并将其输入到一个或多个全畅达层［39］。轮回神经麇集是由输入层、隐层和输出层组成的有向无环结构。隐层是轮回终了的基础，其取值不仅取决于本次的输入，还取决于前次隐层的输出，且层级较高的隐层不会向较低的隐层传播。轮回神经麇集中的“轮回”会把系统隐层的输出保留在麇集中，再与下一时刻的输入共同决定输出［40］。四、AI扶持腹黑听诊的应用面前已有将AI扶持听诊应用于心血管疾病会诊的接洽参议，笔者回想了近5年来的锻真金不怕火数据（表2）。参议者们应用了不同的心音分类工夫对腹黑瓣膜病［11，31，36，41， 42， 43， 44， 45， 46， 47］、先天性腹黑病［35，37，45， 46， 47， 48， 49， 50， 51， 52， 53］、心功能不全［54， 55］、冠心病［56］、风湿性腹黑病［57］等心血管疾病进行会诊。其中，AI扶持听诊对腹黑瓣膜病会诊的准确度最高，单独应用传统机器学习，如Ahmad等［31］应用救援向量机判断临床上283例瓣膜病患者的心音，会诊准确率为92.6%；单独应用深度学习方法，如Baghel等［36］应用卷积神经麇集对开头于数据集的1 000例腹黑瓣膜病患者进行会诊，准确率为98.6%。不错看出单独应用深度学习方法或者传统机器学习方法时，深度学习方法有着更高的准确性。将多种算法统一应用时，会诊的准确性又得到了进一步的普及。如Ghosh等［11］应用荒芜暗示分类器+k-最隔邻算法的方法对数据集的1 000份瓣膜病患者的心音数据进行分析，准确率为99.2%；而Alkhodari和Fraiwan［42］应用卷积神经麇集的方法对腹黑瓣膜病患者进行会诊，准确率达99.3%。除了腹黑瓣膜病，Xiao等［35］将卷积神经麇集应用于先天性腹黑病的会诊，准确率达93.6%；Gjoreski等［54］应用速即丛林算法+卷积神经麇集的方法会诊慢性心力衰退，其准确率为86.3%；Li等［56］应用卷积神经麇鸠集诊冠心病，准确率为90.4%。

图片

面前，整个的参议均针对心音听诊易鉴识的疾病，它们的很是心音具有显然的特征，这些临床数据为AI扶持听诊的可行性和优厚性提供了可靠凭据。然而迂回也很是显然，大多参议所分析的都是特定的某类疾病，尚不可评释参议中所提到的方法不错从多种心血管疾病中准确筛查出主意疾病。五、AI扶持腹黑听诊的发展出息（一）AI扶持腹黑听诊的上风相较其他临床上常用的心血管疾病查验技能，如CT、冠状动脉造影等，腹黑听诊属于无创操作，不会对东说念主体酿成不利影响。且大部分腹黑疾病均会有心音很是的表现，若大约通过听诊在疾病早期进行会诊，对患者而言是很是有益的。但传统的东说念主工听诊主要根据医师的陶冶和主不雅感受来判断有无病变，听诊的准确性受操作家个东说念主影响大，年青医师时时不可正确鉴识病理心音，易酿成漏诊或误诊。而AI听诊在医学大数据、先进算法的基础上，对心音进行定量化的客不雅分析，较东说念主耳有更高的分辨率，且大约把心音以心音图的表情直不雅地显露出来，对曩昔和病理心音的区分较东说念主工更为准确，不受主不雅因素影响。此外，其所需的器械仅为电子听诊器，购入老本较低，体积小可随身佩戴，且操作方便、数据大约及时传输，不受操作家专科常识、地方、斥地的适度。因此，AI扶持听诊具有更高的可实施性，不论是在患者自我监测、费事医疗，如故大范围疾病筛查方面都具有特有的上风。（二）AI扶持腹黑听诊的不及尽管AI扶持听诊在工夫层面不竭取得进展，但其临床吸收度仍然较低。原因如下，其一，是短缺协调的工夫步履。AI听诊麇集到的信号包含噪声和心音，从噪声均分离出曩昔心音是心音分析的第一步，但面前关于去噪进程的判定尚无定论；在信号处理进程中，各参议所应用的算法不尽接洽，究竟哪种形态最合适用于心音的分析，面前也还不解确。其二，AI扶持听诊的应用停留于临床锻真金不怕火阶段，数据开头较少，大部分锻真金不怕火所检测的病种也局限于有杰出的特征性病理心音的几类，并未隐蔽整个心血管疾病。此外，多种心血管疾病的病理心音表现类似，奈何对同样的心音进行区分依然亟待责罚的问题。面前AI听诊的结果只可行动内行会诊的扶持，还需要勾通临床病史等多方面才智作出论断。AI扶持听诊工夫不仅具有无创、低用度、方便的特质，且对瓣膜病和先天性腹黑病的会诊具有极高的准确性，不论是用于疾病早期筛查、家庭自我健康监测如故费事医疗，都有极大的上风。面前AI扶持听诊虽仍处于研发阶段，需要更多的数据来考证其准确性、更完善的评估步履来普及其可行性。医师在对患者进行初期会诊时不错尝试应用该项工夫，为AI扶持听诊工夫的可靠性提供临床凭据救援；同期也要健用心音分析准确性的评价系统，从而以协调的步履筛选出启航点进的心音分析方法。跟着算法不竭优化、工夫进一步发展，信托AI扶持听诊将为心血管病的诊治开拓一派新的宇宙。 利益突破  整个作家声明无利益突破

图片

图片

优秀病例搜集|中国临床案例后果数据库优秀临床案例后果搜集遴择活

动的见知

图片

《中华心血管病杂志》“优秀科研后果优先出书平台”投稿 

图片

图片

《中华心血管病杂志》2023年8期至2024年12期重心号安排

图片

投稿网址

www.editorialmanager.com/cardiodiscovery

作家应知

https://edmgr.ovid.com/cardiologydiscovery/accounts/ifauth.htm【SCF-011】妹★パラダイス 50人4時間

本站仅提供存储就业，整个本色均由用户发布，如发现存害或侵权本色，请点击举报。