近年来，研究已经表明，机器学习技术可用于从医学图像中发现各种疾病，包括乳腺癌，皮肤癌和眼病等。最近，美国斯坦福大学的研究人员开发出一种深度学习算法，通过分析可穿戴监测设备产生的心电数据，可诊断出13种不同类型的心律失常，其准确性甚至超过心脏病医生。

据媒体报道，一份针对年轻白领们的心血管疾病调查显示，心律失常已成为办公室一族最主要的心脏问题。专家表示，年轻人的心律失常虽然大部分是良性的，但并不意味着就可放任不管，恶性的心律失常是导致年轻人猝死的最主要原因。

潜在的心律失常患者通常去医院就诊，由医生使用心电图仪进行检查。如果心电图仪没有发现问题，医生可能会让潜在患者使用可穿戴设备，对心律进行两周的持续监测。设备生成数据的时间跨度长达300多小时，医生需要分析其中每一秒的数据，以发现心律失常的迹象。但很多时候，有危害的心律数据与没有危害的心律数据往往极难区分，这就为明确诊断带来困难。

而斯坦福大学机器学习团队负责人、著名人工智能专家吴恩达教授发现，这是一个数据问题。研究人员为此开发了一个可以根据心电信号诊断不同类型心律失常的深度学习算法。他们与提供可穿戴心律监测设备的企业合作，获取了大约3.6万人的心电数据样本，用以训练一个深度神经网络模型。7个月后，这个神经网络模型诊断心律失常的准确度堪比心脏病医生，多数情况下甚至超过医生。如果将其应用于临床，是否意味着有时医生诊断不出的心律失常可通过该算法得到确诊呢？

此外，心律失常有多种类型，其中的差别很微妙，但对如何处置所发现的心律失常情况有很大影响。比如，被称为二级房室传导阻滞的心律失常有两种类型，看上去很相似，但其中一种无需治疗，而另一种则需要立即观察。据研究人员介绍，他们的研究成果不仅能够发现心律失常迹象，而且还可以高准确度发现心律失常的不同类型，这种准确度是前所未有的。

另外，这个算法的优势还在于不会疲劳，可以持续地对心律失常做出即时诊断。这项成果未来可用于改善偏远地区心律失常患者的诊断和治疗。

然而，研究人员面临的一个关键的挑战是，如何说服医生和病人相信这些算法，因为它们往往过于复杂，以至于普通人根本无法理解。深度学习属于机器学习里的一种极其不透明的形式，研究人员要想办法让人类能够理解它，这对建立信任和完善的治疗至关重要。

鉴于临床每年记录超过3亿次心电图，心电图的高精度诊断可以节省专家临床医生和心脏病专家的时间，减少误诊次数。吴恩达团队希望这种技术加上低成本心电图设备，能够成为心律失常诊断的常用工具。

此外，吴恩达坚信人工智能革命即将到来，他说：“我们仍有工作要做，即需要把这些算法引入到医疗保健系统的工作流程中去。不过我认为，10年后的医疗治疗将会更多地应用人工智能，而且将会发生天翻地覆的改变。”

（环球医学编辑：常路 ）