基础Lead-I模型开发
训练一个在临床12导联心电图上执行的Lead-I AI模型，用于预测多种临床表型。
使用来自Neihu站点的246,874名患者的676,192份心电图，随机分为训练集（70%）和内部测试集（30%），提取Lead-I信号用于训练。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
弥合临床与家庭心电图的差距：量化并克服AI单导联心电图模型的准确性损失
Bridging the gap from clinical to home ECG: quantifying and overcoming accuracy loss in AI-enabled single-lead ECG models
实验完整度
高研究包含多层级验证，包括内部测试集、外部医院验证、两种消费设备测试，并进行了设备特异性微调、学习曲线分析和分层分析，属于前瞻性实验设计。
主要模型
临床12导联心电图（Philips TC系列） Apple Watch单导联心电图 QOCA ECG102D单导联心电图
重点核对
模型训练集：246,874名患者，676,192份心电图（Neihu站点） 外部验证集：65,338名患者，219,231份心电图（Tingzhou站点） 微调训练集：Apple Watch 6618份心电图，QOCA 21,927份心电图 微调样本量：100、200、500、1000、2500份心电图 信号处理：统一重采样至500Hz，中心截取28秒（家用设备）
摘要
基于12导联记录训练的AI心电图（ECG）模型可能因设备和环境域偏移而在家用单导联设备上表现不佳。我们使用来自246,874名患者的676,192份心电图训练Lead-I模型，并在来自65,338名患者的219,231份心电图上进行外部验证。我们评估了两个方法学对照指标（性别和年龄）和七个临床表型[90天死亡率、左心室射血分数（EF）、肺动脉收缩压（PASP）、左心房内径、N末端前脑钠肽（NT-proBNP）、血红蛋白和估算肾小球滤过率]。跨医院验证显示总体性能下降很小（AUC下降<0.03）。相比之下，直接部署到来自Apple Watch（n=9835）和QOCA ECG102D（n=31,517）的消费者心电图产生了显著的准确性损失。微调后，Apple Watch和QOCA ECG102D在八个分类任务上的AUC显著提高，低EF性能较高（0.85/0.86），而PASP升高（0.73/0.68）和贫血（0.73/0.69）的性能较温和。窦性心律下的性能高于房颤。学习曲线表明，可靠的微调需要大约500-1000个标记心电图；较小的集合可能有害。我们发布了一个仅用于评估的HOME数据集，以促进跨设备泛化的可重复基准测试。模型应被解释为筛查或分诊工具，而非独立诊断测试。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 从临床12导联提取的Lead-I AI模型能否直接应用于家用单导联设备，以及在需要微调时，需要多少样本才能恢复准确性。
- 核心机制
- 跨设备域偏移导致模型性能下降，设备特异性微调通过适应制造商特定预处理、电极接触行为、采集姿势和生理波形变化来恢复性能。
- 主要证据
- 基于大规模数据集，通过跨医院验证、Apple Watch和QOCA设备测试、微调前后性能对比、学习曲线分析，证明了直接部署的性能损失和微调的有效性。
- 研究意义
- 研究结果为家庭心脏监护的AI模型部署提供了指导，强调微调的必要性，并发布了HOME基准数据集以促进可重复研究。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
外部医院验证
评估基础模型在不同医院（Tingzhou站点）的泛化能力。
使用独立的65,338名患者的219,231份心电图进行外部测试。
家用设备直接部署测试
评估基础模型直接应用于Apple Watch和QOCA ECG102D设备数据时的性能损失。
将基础模型直接应用于Apple Watch（n=9835）和QOCA（n=31,517）数据集，计算AUC和相关系数。
设备特异性微调
通过使用设备特定数据微调模型，评估性能恢复程度。
对Apple Watch和QOCA ECG102D数据，使用不同样本量（100、200、500、1000、2500）进行微调，并评估分类和回归性能。
学习曲线分析
确定微调所需的最小样本量，以恢复性能。
通过改变微调样本量，绘制学习曲线，确定性能达到基线的样本量。
基准数据集构建
创建一个公开的基准数据集，用于评估跨设备泛化能力。
从Apple Watch和QOCA测试集中各采样1000个患者，每个患者保留一份心电图，构建HOME数据集。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 心电图采集 | Philips TC系列 | Philips | -- |
| Apple Watch | Apple | -- | |
| QOCA ECG102D | QOCA | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据划分 | 患者级划分比例70%/30%，确保跨队列患者一致性。 阅读提示：Methods - Data source and ethical statement |
| 信号预处理 | 统一重采样至500Hz，Lead-I提取，滤波参数（高通0.5Hz，低通150Hz），家用设备中心截取28秒。 阅读提示：Methods - ECG signal preprocessing |
| 标签定义 | 表型合并时间窗口：超声±7天，NT-proBNP±24h，Hb±12h，eGFR±30天。 阅读提示：Methods - Phenotypes used for prediction |
| 训练参数 | 优化器Adam，学习率0.0001，批量大小32，权重衰减0.001，训练100轮。 阅读提示：Methods - Deep learning model training and inference |
| 微调策略 | 微调样本量（100,200,500,1000,2500），平衡采样，校准方法。 阅读提示：Methods - Deep learning model training and inference |