cAPM：基於主動學習的持續性AI輔助起搏標測

室性心動過速（VT）是一種危及生命的心律失常，是導致心源性猝死的主要原因之一。在導管消融治療中，起搏標測是一項關鍵臨床程式，用於識別干預靶點。該過程要求臨床醫生在心室不同部位進行起搏，並快速解讀由此產生的心電圖，以決定下一步起搏位置或是否已找到靶點。傳統的主動學習AI模型已被提出用於指導臨床醫生選擇下一個起搏點，顯示出在減少起搏點數量和提升起搏標測效率方面的潛力。然而，現有方法需要針對每個靶點重新訓練，無法在同一患者的不同VT之間或跨患者之間轉移知識。

針對這一侷限，研究人員提出了cAPM（持續性AI輔助起搏標測），旨在捕獲和轉移歷史起搏標測資料中積累的知識，從而減少未來靶點VT所需的起搏標測資料量。cAPM的核心包括一個任務無關的替代神經網路，用於學習從起搏點到12導聯心電圖形態的對映；一個主動學習策略，透過選擇資訊量最大的起搏點來最佳化該替代模型；以及一個持續學習策略，使得模型能夠按順序處理任務的同時保留先前靶點的知識。

在由順序呈現的定位任務組成的模擬測試平臺上（涵蓋不同生理條件和心室幾何形狀），cAPM在有和無歷史資料回放的情況下，僅用平均4.5個起搏點便實現了81%的臨床耐受定位機率（誤差在5毫米以內）。相比之下，最先進的主動學習方法需要13.7個起搏點，且定位機率僅為38%。這些結果為進一步開展cAPM的體內臨床前和臨床研究奠定了堅實基礎，有望在臨床中指導起搏標測流程。cAPM的設計理念結合了任務無關的代理模型、主動學習和持續學習，為未來在更復雜臨床環境中應用提供了可能。研究團隊表示，下一步將進行動物實驗和臨床試驗，以驗證cAPM在實際手術中的效果和安全性。如果成功，cAPM有望顯著減少起搏標測所需的時間和患者的不適，提高導管消融的成功率。