一张心电图，AI不到2秒读出隐藏的心脏疾病信号

编辑丨&

8 月 31 日，在德国慕尼黑举行的欧洲心脏病学会（ESC）大会上，帝国理工学院（Imperial College London）公布了一组颇为醒目的结果：一种 AI 模型能够从普通心电图（ECG）中识别与心力衰竭和心脏瓣膜疾病有关的隐藏信号，整个分析过程不到 2 秒。

在约 67,000 名美国患者的数据中，模型最高识别出 81% 的心衰病例和 90% 的瓣膜疾病病例。这其中值得注意的并非是 2 秒的分析时间。

一份普通 ECG 通常只需要大约 10 秒就能完成，帝国理工团队正在尝试做的事情，是让 AI 从这 10 秒的电信号中寻找更多信息——包括那些并不会以一个明显异常波形出现，却可能与潜在疾病有关的细微模式。

ECG背后的「隐藏层」

这项研究其实已经积累了多年。

帝国理工学院国家心肺研究所（NHLI）的团队长期训练 AI 模型，希望能解答这样一个问题：一张普通 ECG 里，是不是还藏着传统诊断流程没有充分利用的信息？

他们使用了来自巴西的超过 160 万份 ECG 及其对应病史数据，同时加入了美国数百万份 ECG 数据进行模型开发。测试结果显示，这一系列模型不仅可以识别心血管疾病，还能从 ECG 中发现与糖尿病、肾脏疾病等非心血管疾病相关的信号。

心脏的电活动并不是孤立存在的。心肌结构、心脏负荷、泵血功能以及某些全身性疾病，都可能通过复杂的生理机制影响 ECG。医生可以识别一些已经被医学知识总结出来的波形特征，但 AI 可以把大量 ECG 与患者后续的临床结果放在一起比较。

图示：用于理解 AI 算法预测输出的区域敏感图实例。

在这里，团队首先询问 AI 是否能将患者分为高风险组和低风险组，然后询问它是否能估算每个人可能死亡的时间。随后，研究人员测试了模型是否能预测特定的心脏病甚至非心脏疾病。

这些模型在各项指标上表现优异：对于心脏病，诊断准确率达到了 83% 至 93%；而对于糖尿病和肾病等非心血管疾病，准确率则为 70% 至 80%，这些结果均基于单次 10 秒心电图，并经国际数据集验证。

把这套方法推向医院

2026 年 6 月，帝国理工学院宣布，由相关研究团队成立的衍生公司Cardiovolt.ai获得了 140 万英镑融资，开始推动 AI-ECG 技术的临床转化，团队的目标将会是把AI 分析层加到现有的 ECG 检查上。

公司目前首先瞄准的是心力衰竭和心脏瓣膜疾病。如果 AI 发现风险信号，患者再接受超声心动图确认。

https://www.bhf.org.uk/what-we-do/news-from-the-bhf/news-archive/2026/june/superhuman-ai-powered-ecgs-move-a-step-closer-to-clinical-use

与之类似的，2026 年发表在《European Heart Journal – Digital Health》的一项研究开发了 AI-ECG 模型 AIRE-DM，用于预测没有糖尿病的人未来发生 2 型糖尿病的风险。模型在英国生物银行等多个任务需求中进行了开发和验证，而且研究发现，它对于传统风险评估中尚未进入糖尿病前期范围的人群尤其具有补充价值。

在这里，ECG 本来是测心脏的。但当模型从大量病例中学习之后，它开始尝试从 ECG 中寻找全身代谢状态留下的间接信号。类似的研究还在继续扩大范围。这说明研究人员越来越倾向于把 ECG 看成一种可以反复挖掘的数据源，而不只是一次检查对应一个诊断结果。

下一步学习什么

今年 ESC 大会上，帝国理工团队还展示了另一条更偏底层技术的路线。

Ahmed El-Medany 在大会的「从 foundation models到临床验证」专场中报告了ECG —语言多模态对比预训练模型，目标是利用 12 导联 ECG 检测结构性心脏病。

https://esc365.escardio.org/presentation/326003?resource=abstract

Foundation model 希望先从大规模 ECG 以及相关临床信息中学习更通用的表示，再把这种能力迁移到不同任务。

2026 年《European Heart Journal – Digital Health》的一篇综述也将 AI-ECG 未来的重要方向概括为三类：更强的模型可解释性、多模态 foundation model，以及严格的临床实施研究。

不过，若这套能力最终只能依赖医院里的标准设备，它的应用范围仍然有限。所以在 ESC 2026 上，帝国理工团队还专门讨论了便携式 ECG 与 AI 结合、将心血管护理带出医院的方向。

甚至在帝国理工和 BHF 支持的其他研究中，团队已经开始探索带有大量传感器的智能 T 恤，希望让 ECG 类信号能够被持续记录更长时间。

小结

综合来看，帝国理工团队先利用多年积累的大规模 ECG 与临床数据训练 AI，让模型从原本熟悉的心率、心律之外，寻找更深层的关联；随后通过 Cardiovolt.ai 把这些模型推进医院验证，再向 foundation model 和便携式设备继续扩展。

对于医生来说，一条 ECG 波形可能已经非常熟悉，但对于经过大规模训练的模型，它仍然可能包含尚未被人工规则完整描述的模式。

从识别隐藏的心衰和瓣膜疾病，到预测未来的糖尿病风险，再到 foundation model 和便携式 ECG，研究人员正在不断测试这条 10 秒信号还能告诉我们什么。

https://www.theguardian.com/technology/2026/aug/31/superhuman-ai-tool-spots-heart-disease