深度学习发现心源性猝死心电图新标志

深度学习发现心源性猝死心电图新标志

期刊：Nature（自然正刊，IF=50.5，全球顶级综合性科学期刊）

发表时间：2026年6月24日

作者：Sendhil Mullainathan（加州大学伯克利分校）、Markus Lingman（瑞典哈姆斯塔德郡医院）、Alexander T. H. Sandberg 等

研究机构：UC Berkeley、哈姆斯塔德郡医院、哥德堡大学、哈佛医学院等

一、研究背景

心源性猝死（Sudden Cardiac Death, SCD）是全球心血管疾病中致死率最高的急性事件，每年导致数百万人死亡。然而，SCD的预测一直是临床医学面临的重大挑战 $1$ 。

目前临床上唯一广泛使用的SCD风险预测指标是左心室射血分数（LVEF）。但LVEF存在两个致命缺陷：第一，灵敏度极低 ------绝大多数SCD患者（约70-80%）的LVEF并无明显下降，意味着这些患者无法被现有筛查手段识别；第二，特异性不足 ------许多LVEF降低的患者即使植入了昂贵的植入式心律转复除颤器（ICD），终身也从未发生致命性心律失常 $2$ 。据估计，因LVEF降低而接受ICD植入的患者中，仅约20-30%在5年内真正需要ICD治疗 $3$ 。

心电图（ECG）是一种低成本、无创、广泛可及的检查手段，包含12导联的丰富心电活动信息。长期以来，临床医生通过PR间期、QT间期、QRS宽度等人工提取的ECG特征来评估心脏风险，但这些特征对SCD的预测能力极为有限。是否存在隐匿在ECG波形中、人类肉眼无法识别的猝死预警信号？ 这是心电生理学领域长期悬而未决的问题。

2026年6月24日，加州大学伯克利分校Sendhil Mullainathan教授、瑞典哈姆斯塔德郡医院Markus Lingman教授联合团队在 Nature 正刊发表了一项突破性研究 $4$ 。他们利用深度学习技术分析了约44万份12导联ECG数据及长期随访记录，不仅实现了高精度SCD风险预测，更首次发现了一种全新的、可量化的ECG心源性猝死生物标志物，为心血管疾病预测和机制研究开辟了新范式。

二、研究创新点

本研究在以下四个方面实现了根本性突破：

1. 从数据中发现未知生物标志物。 与以往利用AI"辅助识别已知特征"不同，本研究让深度学习直接从原始ECG信号中学习，发现了一种从未被人类描述过的ECG波形特征------位于QRS末端向ST段过渡区域的形态变化，该特征与SCD风险高度相关 $4$ 。

2. 超越LVEF的预测能力。 模型识别出的最高风险2.2%人群，年SCD发生率达7.0%，远超LVEF降低人群的4.6%。更关键的是，86.1%的高风险患者并未被LVEF所识别，意味着AI发现了大量LVEF"看不见"的潜在猝死患者 $4$ 。

3. "AI生成+AI预测"双模型架构。 研究创新性地构建了ECG生成模型，通过连续改变ECG波形形态并观察风险评分变化，实现了从"模型关注什么"到"哪些波形变化导致风险升高"的跨越，将AI的"黑箱发现"转化为可观察、可验证的形态学特征 $4$ 。

4. 多中心、跨国人群验证。 模型在瑞典44万份ECG数据上训练，并成功在美国医院系统和台湾医院数据库中完成外部验证，证明了该生物标志物的跨人群、跨医疗体系适用性 $4$ 。

三、技术原理

本研究的技术架构围绕三个核心模块展开，体现了AI驱动科学发现的新范式：

模块一：44万ECG大规模训练。 研究团队利用瑞典哈姆斯塔德郡医院系统的长期心电图数据库，收集了约44万份12导联ECG原始信号及对应的长期随访死亡记录。训练目标直接设定为：给定任意ECG，预测该患者未来一年内是否发生心源性猝死。模型采用64层深度残差网络（ResNet），直接从原始波形中学习，无需人工提取任何特征参数（如PR间期、QT间期等），使模型能够捕捉到人类心电生理知识框架之外的信号模式 $4$ 。

模块二：精准风险预测。 训练完成后，模型在独立测试集上取得了AUC=0.872的优异表现。基于模型输出的风险评分，研究团队将人群分为不同风险等级：最高风险组（总人群的2.2%）年SCD发生率达7.0%，而低风险组年SCD发生率仅约0.1%。值得注意的是，模型对ICD植入者的预测进一步验证了其临床价值------在模型识别为高风险但已植入ICD的患者中，实际死亡风险比预期低54.4%，表明ICD确实有效干预了部分模型预测的猝死事件 $4$ 。

模块三：生成模型驱动的可解释性设计。 这是本研究最具创新性的技术环节。传统可解释性AI方法（如显著性图、Grad-CAM等）只能显示"模型关注了心电图的哪些区域"，却无法揭示"哪些波形变化会导致风险增加"。研究团队构建了一个ECG生成模型，以任意真实ECG为起点，通过逐步改变波形形态并观察风险评分变化，生成一系列"从低风险到高风险"的连续心电图演变动画。通过对比低风险和高风险波形形态，团队成功锁定了一个特定区域：QRS波群末端到ST段起始的过渡区域 ，并提炼出可量化的ECG-SCD生物标志物 $4$ 。

模块四：跨人群验证。 研究团队在美国医院系统和台湾医院数据库中进行了外部验证。在美国队列中，模型预测了导致猝死的室性心律失常事件；在台湾队列中，模型预测了未来发生的心律失常性心脏骤停。两地验证结果一致，证实了AI发现的生物标志物具有跨人群普适性 $4$ 。

四、实验结果

研究在多个维度展现了令人瞩目的性能：

1. 风险预测精度。 模型在独立测试集上AUC达到0.872。最高风险组（2.2%人群）年SCD率为7.0%，对比LVEF降低组（1.9%人群）年SCD率4.6%，AI模型识别的高风险人群年猝死概率高出52% $4$ 。

2. 超越LVEF的检出能力。 86.1%被AI模型判定为高风险的患者，其LVEF并未降低至临床阈值以下。这意味着如果仅依赖LVEF进行筛查，超过五分之四的高危患者将被遗漏 $4$ 。

3. ICD干预效果验证。 在模型判定为高风险但已植入ICD的患者亚组中，实际死亡风险比预期降低了54.4%，为AI风险预测的临床有效性提供了间接的因果证据 $4$ 。

4. 发现全新ECG生物标志物。 通过生成模型分析，团队定位到QRS末端向ST段过渡区域的整体波形形态变化是关键风险信号。从电生理角度分析，这一区域对应心室去极化结束与复极化开始的交界，其形态异常可能反映了心室复极过程中的空间异质性------这是诱发室性心动过速和心室颤动（SCD的直接原因）的已知电生理基础 $4$ 。

5. 单导联有效性。 研究进一步发现，仅使用aVL导联的ECG信号训练模型，AUC几乎与12导联模型相当，表明该生物标志物的信号集中在心脏特定区域，有望推动简化版筛查工具的开发 $4$ 。

五、技术优势

评估指标	AI模型(高风险组)	LVEF标准(降低组)
高风险人群占比	2.2%	1.9%
年SCD发生率	7.0%	4.6%
未被LVEF识别	86.1%	---
AUC	0.872	---
外部验证	美国+台湾	---

本研究在AI医学影像和心血管风险预测领域展现出多重独特优势：

1. 真正意义上的数据驱动发现。 区别于"用AI做已知任务的自动化"，研究团队让深度学习直接从原始数据中发现未知模式。这种方式类似于人类心电图学历史上的一系列重大发现------Brugada综合征、WPW综合征等------都是先观察到"某个异常波形与某种临床结局相关"，再探索其机制。AI加速了这一"发现-验证"循环，弥补了人类在视觉和计算能力上的局限 $4$ 。

2. 可解释性与可迁移性。 通过生成模型将AI的"黑箱发现"转化为可量化的形态学生物标志物，使临床医生能够理解、验证和应用。研究团队将这一过程比作"对话"------AI预测模型负责"看到"风险，AI生成模型负责"展示"风险信号的具体形态 $4$ 。

3. 低成本、高可及性。 ECG是临床最普及、最廉价的检查之一，全球每分钟都有成千上万份ECG被记录。AI模型一旦部署，可在不增加额外检查成本的情况下，自动从常规ECG中提取SCD风险信息，实现大规模人群筛查 $4$ 。

4. 临床可操作性。 模型不仅预测风险，还通过ICD植入患者的亚组分析间接证明了干预效果。这为高风险患者接受ICD植入等预防性干预提供了循证支持------使ICD从"可能有用"变为"大概率有用" $4$ 。

六、应用前景

本研究的成果为心源性猝死的预防和管理开辟了多条新路径：

1. 大规模ECG筛查。 AI模型可嵌入现有的心电图机或医院信息系统，在每次常规ECG检查后自动输出SCD风险评估结果。对于高风险患者，可触发进一步的临床评估和干预 $4$ 。

2. 精准ICD植入决策。 当前ICD植入决策主要依赖LVEF≤35%，但大量符合此标准的患者并未受益。AI-ECG风险评分有望作为补充指标，帮助筛选"真正需要ICD"的患者，避免不必要的植入及其相关并发症和医疗成本 $4$ 。

3. 可穿戴设备拓展。 研究显示单导联（aVL）即可取得接近12导联的预测性能，这为未来将AI-SCD风险预测整合到可穿戴ECG设备（如Apple Watch、便携式心电贴片）中提供了可能，实现院外持续监测和预警 $4$ 。

4. 新药研发靶点。 AI发现的ECG-SCD生物标志物揭示了心室复极空间异质性在SCD中的核心作用，可为抗心律失常药物研发提供新的分子靶点和药效评估终点 $4$ 。

七、研究局限性与未来方向

尽管取得了突破性成果，研究团队也坦诚指出了以下局限：

1. 回顾性研究设计。 当前模型基于回顾性数据训练，虽然在美国和台湾进行了外部验证，但尚未在前瞻性随机对照试验中验证其临床效用。未来需要开展RCT评估AI-ECG筛查能否实际降低全因死亡率 $4$ 。

2. 机制验证不充分。 AI发现的ECG-SCD生物标志物与心室复极异质性的关联仍需电生理实验和心脏影像学证据的进一步支持。目前提出的机制假说虽然合理，但尚未被实验直接证实 $4$ 。

3. 人群多样性有限。 训练数据主要来自瑞典（北欧人群），虽然在美国和台湾进行了验证，但非洲、南亚、拉丁美洲等人群的适用性尚待评估 $4$ 。

4. 时间窗口局限。 模型预测窗口为一年，对于更长期的风险预测能力尚未评估 $4$ 。

5. 与其他风险因素的整合。 研究未将AI-ECG评分与临床风险因素（如年龄、性别、糖尿病、高血压等）进行整合建模，联合预测的潜力有待挖掘 $4$ 。

八、结论

本研究是深度学习驱动生物医学发现的一个里程碑式案例。研究团队利用44万份ECG数据训练深度神经网络，不仅实现了高精度心源性猝死风险预测（AUC=0.872），更重要的是首次发现了一种全新的、可量化的ECG-SCD生物标志物------位于QRS末端向ST段过渡区域的波形形态变化。这一发现的意义超越了"AI辅助诊断"的范畴，展示了AI作为一种"科学发现工具"的潜力：从海量数据中挖掘人类尚未认知的模式，再通过生成模型将其转化为可观察、可验证的生物学标志物，最终推动机制理解和临床转化 $4$ 。

对于每年数百万死于SCD的患者而言，这项研究意味着：或许下一次常规心电图检查，就能揭示隐匿在波形中的生死信号。

参考文献

Virani SS, Alonso A, Aparicio HJ, et al. Heart disease and stroke statistics---2021 update: a report from the American Heart Association. Circulation, 2021, 143(8): e254-e743. PMID: 33501848.
Køber L, Thune JJ, Nielsen JC, et al. Defibrillator implantation in patients with nonischemic systolic heart failure. New England Journal of Medicine, 2016, 375(13): 1221-1230. PMID: 27571011.
Bardy GH, Lee KL, Mark DB, et al. Amiodarone or an implantable cardioverter-defibrillator for congestive heart failure. New England Journal of Medicine, 2005, 352(3): 225-237. PMID: 15659722.
Mullainathan S, Lingman M, Sandberg ATH, et al. An ECG biomarker for sudden cardiac death discovered with deep learning. Nature, 2026, 654(8119). DOI: 10.1038/s41586-026-10688-0.
Knolle MA, Glocker B, Rueckert D, et al. Disparate privacy risks from medical AI. Nature, 2026, 654(8119). DOI: 10.1038/s41586-026-10687-1.

论文元数据	内容
期刊	Nature
发表时间	2026年6月24日
卷期	Vol 654, Issue 8119
研究类型	回顾性队列研究 + 多中心外部验证
训练数据	约44万份12导联ECG
模型架构	64层ResNet + ECG生成模型
作者	Mullainathan S, Lingman M 等
科室	心血管科 / 心源性猝死