瓦伦西亚大学 (UPV) 信息与通信技术研究所 (ITACA) COR 小组的研究人员开发了一种人工智能模型，能够利用体表的电记录来定位和量化与心房心肌病相关的组织缺陷。
基于图神经网络的系统（图神经网络，GNN），定位受影响区域的准确度为 89%，确定心房组织损伤程度的准确度为 84%。此外，在分析训练期间未使用的解剖结构时，它保留了这种功能。
下一步：在患者身上进行确认
该研究仍然是使用模拟数据开发的概念验证；因此，其结果并不意味着立即应用于临床。下一步将是使用真实的患者记录验证模型。正如研究本身指出的那样，“在将这种方法转移到治疗计划计划之前，需要使用临床记录进行前瞻性验证。”如果结果在临床试验中得到证实，该技术可以促进新工具的开发，无需侵入性操作即可表征心房组织，并为心房心肌病相关疾病的研究和治疗提供更多信息。
发表在科学期刊上的一项研究 发现计算机由 COR-ITACA 研究员 Maria Macarulla-Rodríguez 领导，ITACA 研究人员 Jorge Sánchez、Andreu M. Clement 和 Maria S. Guillem、Corify Care SL 成员以及 Cristian Barrios Espinosa 和 Axel Loenes 理工学院 (ErcuryifyC)、Care SL) 领导。
该研究的主要结论是，体表电图、时空分析和神经图网络的结合在心房心肌病的非侵入性表征方面显示出巨大的潜力。
玛丽亚·马卡鲁拉，文章的主要作者
研究心房组织的新方法
心房心肌病涉及心房组织的电和结构异常，例如纤维化，其与房颤的发作和进展相关，房颤是最常见的心律失常之一。 Maria S. ITACA 主任兼研究参与者 Guillem 表示：“了解改变的组织在哪里以及其范围有多大，可以帮助我们更好地了解这种疾病，并有可能计划消融等治疗方案。”
目前，侵入性电解剖测绘或某些磁共振成像 (MRI) 扫描等技术可用于表征这些异常。一种新方法建议使用体表电位图（BSPM），这是通过放置在身体上的电极来记录心脏的电活动而获得的。 ITACA 主任说：“然后，人工智能会分析这些信号在空间中的分布情况以及它们如何随时间演变，以识别与受影响组织的位置和范围相关的模式。”
定位准确率 89%
为了开发和评估该模型，该团队使用了 14,400 个表面电位图，这些图是从不同的心房和躯干解剖结构以及不同程度和位置的心房心肌病生成的。 “在具有 128 个电极的初始配置中，该模型在受影响组织的定位方面实现了 89% 的准确度，平均值为 89% 的灵敏度和 90% 的特异性，”Maria Makarulla 强调。
最重要的发现之一是，该系统在分析与训练它所用的解剖结构不同的解剖结构时能够保持良好的性能，这是未来在具有不同解剖特征的人中应用的一个重要方面。 “该模型在确定受损组织的范围方面的总体准确度也达到了 84%。此外，我们发现当信号质量下降时，其性能仍然相对稳定，这表明它对噪声具有一定的鲁棒性，”Maria Makarulla 说。
结果还表明，训练数据的解剖多样性是一个关键因素：包含各种心房和躯干模型提高了系统的分类能力。
来源：
瓦伦西亚政治大学
杂志链接：
马卡鲁拉-罗德里格斯，M. 和其他人。 （2026）。用于从体表电位图表征心房心肌病的图形神经网络框架。 发现计算机。 DOI：10.1007/s10791-026-10439-9。
