cAPM：基于主动学习的持续性AI辅助起搏标测

室性心动过速（VT）是一种危及生命的心律失常，是导致心源性猝死的主要原因之一。在导管消融治疗中，起搏标测是一项关键临床程序，用于识别干预靶点。该过程要求临床医生在心室不同部位进行起搏，并快速解读由此产生的心电图，以决定下一步起搏位置或是否已找到靶点。传统的主动学习AI模型已被提出用于指导临床医生选择下一个起搏点，显示出在减少起搏点数量和提升起搏标测效率方面的潜力。然而，现有方法需要针对每个靶点重新训练，无法在同一患者的不同VT之间或跨患者之间转移知识。

针对这一局限，研究人员提出了cAPM（持续性AI辅助起搏标测），旨在捕获和转移历史起搏标测数据中积累的知识，从而减少未来靶点VT所需的起搏标测数据量。cAPM的核心包括一个任务无关的替代神经网络，用于学习从起搏点到12导联心电图形态的映射；一个主动学习策略，通过选择信息量最大的起搏点来优化该替代模型；以及一个持续学习策略，使得模型能够按顺序处理任务的同时保留先前靶点的知识。

在由顺序呈现的定位任务组成的模拟测试平台上（涵盖不同生理条件和心室几何形状），cAPM在有和无历史数据回放的情况下，仅用平均4.5个起搏点便实现了81%的临床耐受定位概率（误差在5毫米以内）。相比之下，最先进的主动学习方法需要13.7个起搏点，且定位概率仅为38%。这些结果为进一步开展cAPM的体内临床前和临床研究奠定了坚实基础，有望在临床中指导起搏标测流程。cAPM的设计理念结合了任务无关的代理模型、主动学习和持续学习，为未来在更复杂临床环境中应用提供了可能。研究团队表示，下一步将进行动物实验和临床试验，以验证cAPM在实际手术中的效果和安全性。如果成功，cAPM有望显著减少起搏标测所需的时间和患者的不适，提高导管消融的成功率。