睡眠呼吸障碍（Sleep Disordered Breathing, SDB）作为常见的睡眠相关呼吸疾病，其诊断金标准依赖于夜间多导睡眠图（Polysomnography, PSG）中呼吸事件的人工标注。然而这种传统方法存在三大痛点：耗时费力（每例需专家数小时分析）、成本高昂（专业人力与设备投入）、以及判读者间差异性（inter-rater variability）导致的诊断不一致性。尽管已有计算机辅助检测算法，但由于不同医疗中心的信号采集规范差异，现有模型普遍存在泛化能力不足的局限。这些瓶颈严重制约了睡眠呼吸疾病的标准化诊断和精准化治疗。
为突破这一困境，研究团队在《Nature Communications》发表了题为"Expert-level probabilistic breathing event detector informs phenotyping of sleep apnea"的创新研究。该研究构建了首个能同时定位并分类四种核心呼吸事件（阻塞性呼吸暂停、中枢性呼吸暂停、低通气、无觉醒/去氧饱和的孤立呼吸事件）的端到端深度学习模型。通过纳入六大队列共6555例PSG数据（训练集5456例，测试集1099例），模型不仅实现了与专家判读高度一致的呼吸事件检测（AHI相关系数r²=0.84），更开创性地提出"呼吸事件表型分析"概念，通过概率化输出揭示传统呼吸暂停指数未能捕捉的病理特征。
关键技术方法包括：1）基于六大多中心队列的6555例PSG数据构建训练集与测试集；2）端到端深度学习架构实现呼吸事件的自动定位与分类；3）概率化输出机制生成事件检测置信度；4）采用多专家标注数据集进行模型性能对标验证。
研究结果
模型验证性能
在1099例独立测试集上，模型整体事件检测F1分数达0.78，其中阻塞性呼吸暂停、中枢性呼吸暂停和低通气事件的F1分数分别为0.71、0.51和0.65。与金标准专家标注的AHI相关性分析显示决定系数r²达到0.84，表明模型输出与临床标准高度一致。
专家水平验证
在两组独立的多专家标注数据集上，模型的综合表现达到甚至超过个体专家判读水平。特别在判读一致性较低的复杂病例中，模型显示出优于个别专家的稳定性，证明其具备临床级应用潜力。
病理生理关联分析
模型生成的事件概率（即"呼吸事件表型分析"指标）与关键睡眠呼吸暂停病理生理特质呈现显著相关性。其中与环路增益（loop gain）和咽部肌肉代偿（pharyngeal muscle compensation）的关联强度明显优于传统AHI指数，提示概率化输出能更精准反映患者个体化病理机制。
研究结论与讨论
本研究开发的概率化呼吸事件检测器突破了传统自动分析算法的局限性，首次实现多类型呼吸事件的精准检测与表型解析。模型不仅达到专家级判读水准，其创新的"呼吸事件表型分析"输出为睡眠呼吸障碍的病因鉴别提供了新视角。特别值得注意的是，事件概率与病理生理特征的强化关联暗示这种新方法可能更直接反映患者的潜在病理机制，如呼吸控制稳定性（环路增益）和上气道代偿功能等关键靶点。这种基于深度学习的检测范式有望推动睡眠医学从传统的指数诊断向精准表型分析转型，为个体化治疗策略（如针对高环路增益患者的氧疗或药物干预）提供量化依据，最终改善患者预后。该技术框架的建立为其他生理信号分析领域提供了可借鉴的研究范式，具有重要的临床转化价值。
