从图像分类急诊心电图：ConvNeXt 集成模型在 18 519 份记录上逼近心脏科医生

圣保罗心脏研究所的一个团队训练了一个深度学习模型，用以对急诊心电图进行分类，所依据的不是数字信号，而是其图像——一张扫描的纸质记录、一份 PDF，或一张手机照片。在涵盖 12 个类别、由 19 位心脏科医生标注的 18 519 份急诊心电图上，他们的 ConvNeXt 集成模型取得 0.807 的宏 F1，略低于标注医生的 0.820，并在大多数类别上优于一款商用算法。重点不在于刷新分数：而在于表明大量仅以图像形式存在的心电图可以被利用，而真正的性能上限是阅读者之间的一致性，而非训练集的规模。

背景

心电图是任何心脏急症的一线检查：十二导联、几秒钟的记录，末了有时是一个生死攸关的决定——正在发生的心肌梗死须在数分钟内处理。过去十年，深度学习在心电图上取得了巨大进展，但几乎总是基于数字信号：由现代设备存储的、干净而结构化的原始电压时间序列。然而，大量的临床现实并非如此。

在许多急诊科，尤其是在资源有限的卫生系统中，心电图是以图像形式流转的：印在方格纸上的记录、扫描的报告、存档的 PDF，或仅仅是为了远程求诊而用手机拍下的照片。原始的数字信号往往无法获取——丢失、私有，或从未导出。于是一整类基于信号训练的模型变得无法使用。Felipe Meneguitti Dias 及其 InCor（心脏研究所，圣保罗大学医学院附属医院）同事在这篇预印本中提出的问题很直接：仅凭读取图像，能否可靠地对急诊心电图进行分类？

方法

作者构建了 InCor-EMG，一个由专家裁定的 18 519 份急诊心电图数据集。每份记录被归入 12 个心电图类别之一（急诊环境中所见的各类心律与电学异常），标签来自 19 位心脏科医生组成的专家组。这一点很重要：所谓"金标准"并非客观测量，而是专家共识，既有意见一致的区域，也有存在争议的病例。

模型的输入不是信号，而是记录的图像。系统基于 ConvNeXt——一种现代卷积神经网络架构（专门用于图像分析的一类模型，此处经过现代化改造以与视觉 Transformer 竞争）。作者没有使用单一网络，而是采用集成（ensemble）：将多个模型的预测加以汇总，这是提升稳健性、平滑个体误差的经典技巧。

主要指标是 F1 分数，它将精确率（被判为某类别的记录中，正确的有多少）与召回率（某类别的真实病例中，被找回的有多少）合为一个数字。宏 F1 则以等权方式在 12 个类别上取平均——这是一个严格的选择，因为稀有类别与常见类别同等重要，不会被淹没。两个比较对象作为参照：进行标注的心脏科医生（人类对照），以及 Mortara Veritas，一款广泛部署的商用心电图自动判读算法。最后，为检验稳健性，作者在记录的扫描版与拍照版上、在 LITFL 教育图库的异质公开图像上，以及在一次时间性评估（训练期之后的心电图）中对模型进行了评估。

结果

在留出的测试集上，ConvNeXt 集成取得 0.807 的宏 F1（95% 置信区间：0.788–0.825）。标注的心脏科医生则为 0.820（0.805–0.832）。换言之，图像模型距人类参照约低一个半百分点——而置信区间大幅重叠。与商用算法 Mortara Veritas 相比，模型在大多数被评估的类别上取得了更高的 F1。

最具启发性的结果不是原始分数，而是一个相关性：按类别的性能更多与阅读者之间的一致性相关，而非与训练样本量相关。说白了，模型在心脏科医生本身意见一致之处表现良好，在专家犹豫之处栽跟头——未必是在样本稀少之处。这优雅地表明，此类系统的上限由人类标签的质量与一致性决定，而不仅由喂给它的数据决定。

稳健性评估方向良好：模型在扫描与拍照的心电图上都保持信息量，在异质公开图像与较晚时间窗上的测试也保持"支持性"，没有崩塌。诚实的临床转译是：在 12 个类别上 0.807 的宏 F1 意味着整体良好但各类别之间并不均衡的判读——对最模糊或最稀有的类别，相当一部分记录会被归错。这足以做粗筛、做分诊、做预警；但在每分钟都要紧的心肌梗死面前，它不能取代心脏科医生的目光。

值得称道之处

一个真实而被忽视的问题，被认真对待。几乎所有心电图人工智能文献都假设干净的数字信号唾手可得。这项工作从相反的现实出发——记录只以图像形式存在——这恰恰是超负荷急诊室与缺乏导出基础设施的卫生系统的处境。这是切合临床的切入，而非实验室演示。

人类与商用的双重对照。许多论文满足于一个孤立的分数。在此，性能既与标注的心脏科医生相比，也与一款真正在用的商用算法（Mortara Veritas）相比。给出两个参照点，让读者无需仅凭作者一面之词即可为模型定位。

对真正瓶颈的诚实。白纸黑字地表明性能跟随阅读者一致性而非数据规模，是一项有用的方法学贡献：它把争论从"更多数据"转向"更好的标签"，并预先为单凭扩大规模即可轻松获益的承诺降温。

不足之处

单一中心，无前瞻性临床验证：人群偏倚这一失效模式。全部训练与测试数据来自单一机构——圣保罗 InCor，连同其设备、打印格式与人群。读取图像的模型尤其容易受领域漂移影响：另一家医院用另一种纸张打印，方格不同、字体不同、设置不同。LITFL 公开图像给出了泛化的一瞥，但作为教育性且异质的素材，无法替代外部多中心验证——而且没有开展任何真实条件下的前瞻性评估。

由标签本身设定的上限：误导性指标这一失效模式。人类对照同时是标签的来源：于是模型是对照着用于训练它的那个目标来衡量的，这是一种循环。令人安心的 0.807 宏 F1 汇总了频率极不均衡的 12 个类别，可能掩盖稀有或有争议类别上的缺口——而那些正是心脏科医生一致性薄弱、错误代价可能最大之处。全局数字对各类别的操作阈值只字未提。

捷径风险，以及部分可复现性。在图像上训练的模型可能学到版面线索——方格类型、设备品牌、导联排布——而非记录的电学形态（shortcut learning，捷径学习）。没有证据表明此处确实如此，但图像架构对此有内在暴露，预印本也未完全打消疑虑。在可复现性方面，InCor-EMG 数据集无法公开（健康数据受巴西 LGPD 法律约束，CC BY-NC 许可）：GitHub 上仅分享了少量样本、推理代码与预测结果。最后值得一提的是，在无利益冲突声明的情况下，资助来源中有一家工业资助方（FAPESP、Fundação Zerbini 与 Foxconn Brazil）——这是一个有用的背景。

这意味着什么

对研究界而言，信息有两重。其一，从图像分类心电图是一条可信的路径，而非权宜之计：它打开了仅以纸质或 PDF 形式存在的海量记录的利用之门。其二，更深一层，性能撞上了专家一致性这堵墙——投资于更一致的标注流程，回报可能高于一味堆叠更多样本。

对临床医生而言，目前没有任何东西可直接部署：单中心、回顾性、未经前瞻性验证。但其瞄准的场景是合理的——一个能对拍照心电图做预分类的工具，在没有数字信号、专科意见又远在他处之时，于值班、远程医疗或资源不足地区会有真实价值。前提是将其限于分诊与预警，绝不用于对危及生命的急症作自主决策。对患者与公众而言，要记住的观念既简单又有分寸：心电图照片将越来越能被机器分析以争取时间，但最终的判读仍是医生的职责——自动分类既非诊断，也非保证。

延伸阅读

预印本见 medRxiv（DOI 10.64898/2026.06.18.26355968），可复现材料（样本、推理代码、预测）见 作者的 GitHub 仓库。关于从另一角度看人工智能在心电图上的应用，参见我们对可穿戴心电图房颤预测的解读；关于机器判读临床图像及如何呈现，参见关于放射学解释格式的一篇。

编辑透明度：法文版由 Tatakoto 编辑部根据对预印本的阅读撰写并署名。英文、西班牙文与中文译本在人工智能协助下生成并经审校。