图片

心血管疾病是全球范围内的主要致死原因，对全球健康构成了重大威胁。2021年，心血管疾病导致的死亡人数高达2100万，相较于1990年的1200万，增长了60%。在这一严峻的背景下，早期且准确的诊断对于预防如心力衰竭等严重后果至关重要。尽管心电图作为监测心脏电活动的非侵入性工具已被广泛使用，但传统心电图分析方法往往难以捕捉到细微的临床前变化，从而限制了其在早期发现心血管疾病方面的效能。

 

为了解决这一问题，研究团队提出了一种自动化的数字生物标志物发现系统，该系统利用可解释的人工智能技术来增强基于心电图的生物标志物的可解释性和临床适用性。该方法的核心在于通过可解释的特征提取器与无监督聚类以及粒子群优化技术的结合，来识别与心血管疾病高风险相关的已知和新型心电图特征。这些特征包括已确立的标志物，如RR间期样本熵，以及新发现的风险标志物。

 

图片

该系统的工作流程首先是从心电图信号中提取一系列特征，这些特征被组织成一个二维数组，其中一个轴代表可解释的心电图特征，另一个轴代表时间。随后，利用K均值聚类算法对特征子序列进行分组，并计算风险组和健康组在各个聚类中的分布。通过量化聚类差异，研究团队能够识别出与高风险患者最相关的聚类。

 

为了进一步提高生物标志物的发现效率，研究团队引入了一个调整后的目标函数∆adj，该函数对在健康组中常见的聚类进行惩罚，从而强调了与高风险患者更为相关的聚类。此外，考虑到在高维特征空间中存在多个潜在生物标志物的可能性，研究团队采用粒子群优化算法来自动化参数优化过程。粒子群优化算法的特点在于其能够在复杂特征空间中有效地进行探索和利用，从而快速收敛到潜在的最优解。

 

图片

在应用该发现系统对“睡眠心脏健康研究”数据集进行分析后，研究团队成功识别出了一系列与心血管疾病和心力衰竭相关的数字生物标志物。这些生物标志物不仅包括已知的标志物，如RR间期样本熵，还发现了新型标志物，如T波多尺度熵。这些发现不仅为心血管疾病的早期检测提供了有力工具，还通过提供与生理原理相符的可解释见解，增强了临床医生对人工智能模型的信任，并支持了人工智能在日常医疗实践中的整合。
该研究的贡献主要体现在三个方面：首先，它引入了一种基于人工智能的可解释数字生物标志物发现系统，并将其应用于大规模的心血管疾病数据集；其次，该方法成功识别了与心力衰竭和其他心血管疾病强烈相关的已知和新型生物标志物；最后，该研究通过提供具有生理意义的见解，缩小了先进人工智能技术与临床适用性之间的差距，从而促进了人工智能工具在临床研究和诊断中的集成。

 

图片

综上所述，该自动化数字生物标志物发现系统为心血管疾病的早期检测和干预提供了一种新的有力手段。通过结合可解释人工智能技术和无监督学习方法，该方法能够发现与高风险患者相关的心电图特征，为临床医生提供了可解释的见解，并促进了人工智能在医疗领域的广泛应用。随着该技术的不断发展和完善，它有望在全球范围内显著降低心血管疾病的负担。