基于可解释可扩展预测驱动框架的 ECG 低左心室射血分数检测
机器学习
2026-04-07 v2 人工智能
应用统计
摘要
低左心室射血分数（LEF）在进展为有症状的心力衰竭之前常常未被发现，这凸显了对可扩展筛查策略的需求。虽然人工智能赋能的心电图（AI-ECG）已显示出前景，但现有方法要么仅依赖端到端的黑箱模型且可解释性有限，要么依赖于基于商业心电图测量算法且性能欠佳的表格系统。我们提出了 ECG 基础预测驱动 LEF（ECGPD-LEF），一个将基础模型衍生的诊断概率与可解释建模相结合的结构化框架，用于从 ECG 中检测 LEF。该框架在包含 72,475 个 ECG-超声心动图对的基准数据集 EchoNext 上进行训练，并在预先定义的独立内部（n=5,442）和外部（n=16,017）队列上进行评估，实现了稳健的中度 LEF 判别能力（内部 AUROC 88.4%，F1 64.5%；外部 AUROC 86.8%，F1 53.6%），持续优于基准提供的官方端到端基线方法，在不同人口统计学和临床亚组中表现更佳。可解释性分析识别出高影响预测因子，包括正常 ECG、不完全左束支传导阻滞以及前外侧导联中的心内膜下损伤，这些驱动了 LEF 风险估计。值得注意的是，这些预测因子独立实现了无需任务特定微调的类零样本推理（内部 AUROC 75.3–81.0%；外部 AUROC 71.6–78.6%），表明心室功能障碍本质上已编码在结构化的诊断概率表示中。该框架在预测性能与机制透明度之间取得了平衡，支持通过额外预测因子进行可扩展增强，并与现有 AI-ECG 系统无缝集成。
引用
@article{arxiv.2603.28532,
title = {Detecting low left ventricular ejection fraction from ECG using an interpretable and scalable predictor-driven framework},
author = {Ya Zhou and Tianxiang Hao and Ziyi Cai and Haojie Zhu and Kejun He and Jia Liu and Xiaohan Fan and Jing Yuan},
journal= {arXiv preprint arXiv:2603.28532},
year = {2026}
}
备注
This version includes minor typographical corrections. The results and conclusions remain unchanged