目的:心律失常、心肌缺血、房室肥大等心脏疾病的发病率逐年增加,致死率也呈上升趋势。心电图在临床上作为可观察心脏整体状况的渠道之一,通过它可及时高效的获取心脏活动的信息并对患者病情做出判断。而在临床实践中利用计算机辅助诊断技术对心电图进行识别分析是重要的也是必要的。本研究的目的即是在弱监督学习的框架下结合卷积网络自动检测并标记心电图异常点同时给出阳性概率值。研究方法:本研究从中国医科大学附属第一医院心电数据库中选取16488例患者的心电图,其中正常心电图4001例,异常12487例。异常心电图中包括传导阻滞、肥大、快速型心律失常、缓慢型心律失常以及T波改变五大类。研究中使用多示例学习的方法,将心拍作为‘包’,其中的采样点作为‘示例’,异常心拍的标签置1,正常心拍标签置0。通过卷积网络搭建的分类标记器以‘包’的粗标签预测出‘示例’级的细标签,即利用弱监督学习的思想,从而标记出心拍中的点为异常的概率值。结果:对于五大类中的七小类异常心电图,热力图结果显示,与专业人员手工标记的心电图异常区域相比,本研究所设计标记器可标记并预测出心电图中各部分为异常的概率值,区域F分数均在0.54以上,最高可达0.83。七小类异常心电图测试结果的AUC值均在0.89以上,最高可达0.994。结论:本研究结合多示例学习与CNN设计模型结构,利用弱监督学习的方式训练模型,选取7类异常心电图进行模型的测试。使用热力图直观展示本研究所设计的模型与已有经典方法对异常点标注的结果对比,同时以专业人员的人工标注做参照,热力图、AUC值、区域F分数结果均显示本模型对上述七类异常心电图具有自动标记其异常点并进行概率预测的功能。