利用QRS积分特征对早期右心室激活部位进行机器学习定位

《Annals of Biomedical Engineering》：Machine Learning Localization of Early Right Ventricular Activation Sites Using QRS Integral Features

QRS积分驱动的支持向量回归模型实现右心室电生理定位毫米级精度，RBF核模型在复杂解剖区域误差更优（9.5mm vs 16.6mm），线性模型稳定性更佳，轴向分析显示y/z轴定位优势显著。

　　

摘要

背景

在电生理学领域，准确、无创地定位右心室（RV）心律失常的起源仍然是一个挑战。本研究探讨了利用基于12导联心电图（ECG）QRS积分的机器学习模型来定位早期RV激活部位的可行性。

方法

通过CT扫描构建了一个通用的RV网格，该网格由277个三角形元素组成。研究使用了两个队列：一个开发队列包含8名患者和227个已知的起搏部位，另一个验证队列包含3名患者和34个起搏部位。每个起搏部位都被分配到一个网格元素的质心。从八个ECG导联计算出QRS积分（∫QRS），并将其作为支持向量回归（SVR）模型的输入特征，这些模型使用了径向基函数（RBF）和线性核函数。通过自助法交叉验证，对不同持续时间（30–160毫秒，以10毫秒为间隔）的QRS积分值进行了筛选，以确定最佳的QRS积分窗口。使用欧几里得距离、均方根误差（RMSE）和R2值来评估两个队列的定位准确性。

结果

在初始60毫秒QRS区间上训练的RBF SVR模型在开发数据集中的平均定位误差最低，为-9.5毫米，在独立测试数据集中为14.4毫米。相比之下，线性SVR在开发数据集中的平均定位误差为16.6毫米，在独立测试数据集中为17.0毫米，并且在不同QRS持续时间下的性能更加稳定。轴特异性分析显示，y轴和z轴的预测准确性更高，而x轴（对应于无间隔壁的方向）的性能较差。在验证队列（n=34）中，不同核函数之间的平均定位误差相似，且差异无统计学意义（p=0.31）。

结论

基于QRS积分的SVR模型能够从表面ECG中实现毫米级的RV起搏部位定位。虽然非线性模型在解剖结构复杂的区域提供更高的准确性，但线性模型具有鲁棒性和简洁性。这些发现支持了ECG驱动的机器学习在指导RV心律失常定位方面的临床潜力，并可以补充传统的映射方法。