利用TabPFN和基于心电图（ECG）特征进行的SHAP解释来提升心房颤动（AF）检测能力：一项双中心时间验证研究

《BMC Cardiovascular Disorders》：Empowering atrial fibrillation detection with TabPFN and SHAP interpretation based on ECG-derived features: a dual-center temporal validation study

　　

摘要

心房颤动（AF）仍然是导致中风和心力衰竭的主要因素，但由于其无症状的特性以及现有筛查方法的局限性，及时诊断往往受到阻碍。本研究旨在开发并验证一种高度准确、可解释且可扩展的机器学习（ML）框架——TabPFN——利用标准12导联心电图（ECG）特征来检测AF。为此，我们进行了一个双中心的时间验证研究，使用了来自三个不同数据集的248,324份ECG记录：一个内部队列（n = 220,327）、一个外部验证队列（n = 6,181）和一个时间验证队列（n = 21,816）。TabPFN模型基于12个临床ECG特征进行训练，如PR间期、Paxis和QTc，并与其他八种ML架构进行了比较，包括集成学习和神经网络。通过SHAP（Shapley Additive Explanations）方法确定了模型的可解释性，以量化各个特征的影响，并通过基于网络的临床界面部署了该框架。结果表明，TabPFN模型表现出优异的诊断效果，在内部队列中的接收者操作特征曲线下面积（AUROC）为0.9711，在外部队列中为0.9797，在时间验证队列中为0.9766。它的性能优于传统的逻辑回归（AUC为0.8687），并且Brier分数非常低（0.0474），表明其校准效果非常好。此外，SHAP分析确定PR间期和Paxis是主要的诊断指标，揭示了AF存在的非线性关联和生理“拐点”，而决策曲线分析证实了该框架在所有队列中的临床筛查具有较高的净效益。总之，通过利用基于先验数据拟合的方法（TabPFN）对标准化的ECG特征进行处理，我们建立了一个强大的框架，其性能可与复杂的深度学习模型相媲美，同时保持了高可解释性和计算效率。这个可通过基于网络的平台访问的可扩展工具，弥合了“黑箱”AI与临床实践之间的差距，为全人群AF筛查和降低心血管疾病发病率提供了实用的解决方案。