临床医生每天依靠心电图 (ECG) 来检测常见的心血管疾病，但准确的诊断需要高水平的专业知识。在一项审查了 365,000 名成年人的近 100 万份心电图的新研究中，人工智能算法在几乎所有检查的诊断中都超过了广泛使用的商业系统的性能，同时还与心脏病专家的表现相匹配，重要的是，它提供了解释结果。

资深作者 Geoffrey H. Tison，医学博士，公共卫生硕士，加州大学旧金山分校心脏病学部和加州大学旧金山分校 Bakar 计算健康科学研究所的心脏病专家，描述了“可解释的 AI”研究结果的关键方面，这些结果出现在JAMA Cardiology 上。

您的研究最重要的发现是什么?

心电图 (ECG) 是最常见的心血管诊断程序，用于医院、诊所，甚至越来越多地用于智能手机和智能手表。它们提供有关心脏功能各个方面的关键信息，例如节律、电传导和结构。

我们开发了一种称为“卷积神经网络”的 AI 算法，其性能优于常用的商业 ECG 分析算法，并且在许多诊断方面可与心脏病专家相媲美。

该算法使用大多数医院/医疗机构中普遍可用的心电图数据进行训练，这意味着可以使用全球医院中数亿个现有的心电图数据进一步改进该算法。

算法是怎么做的?

它在五个广泛的诊断类别中的 38 种不同诊断中表现出色，为这种用于心电图诊断的 AI 方法提供了最广泛的验证。

此外，我们使用了一种为算法增加“可解释性”的技术，使其能够突出显示对其做出的每个诊断很重要的 ECG 片段。这为医生提供了关于为什么做出诊断的重要背景，以及对心脏可能发生的事情的更详细的了解，并且可能会增加医生使用人工智能的信心。

在这项研究中，当研究医生查看算法自行学习的自动突出显示的部分时，它表明算法学习的内容就我们对这些疾病和心脏功能的了解而言“有意义”。

为什么你的研究重要或新颖?

很少有研究为心电图开发了可解释的神经网络，也没有研究在如此大的数据集上进行如此广泛的诊断。

这表明像神经网络这样的 AI 算法可以而且或许应该被用来大幅提高目前日常使用的标准 ECG 算法的性能。他们还承诺继续改进自己或“学习”更多可用数据。

通过使 AI 算法更“可解释”，医生和患者可能更有可能理解并因此信任算法做出的诊断。并且可以从算法中学习它在与某些疾病相关的数据中识别出哪些以前无法识别的新模式。

大多数类似的研究使用特别注释或策划的数据，需要许多医生提供专家标签来“训练”算法。我们的方法使用现有的、随时可用的标记数据，效率更高，并且允许来自全球几乎任何医院的数据“按原样”用于模型训练，而无需额外注释。

您的研究的长期意义是什么，如何加以利用?

我们的结果为将神经网络等 AI 算法纳入现有商业 ECG 算法提供了强有力的支持，因为它们在许多诊断中表现更好，可以随着时间的推移而改进，并通过可解释性提供更多见解。

我们开发的这个算法现在可以用数百倍的数据进行训练，以进一步提高其性能并扩大它可以准确做出的诊断数量。

未来的工作可以使用我们展示的可解释性技术或其他类似方法，通过更好地理解人工智能算法从大量 ECG 数据中发现的数据中的细微模式，从人工智能算法中获取新知识。例如，这种方法可以发现心脏电传导或心室结构的某些方面在某些疾病中是异常的。