文献分享| 运动医学顶刊： AI 驱动的心肺运动测试研究

AI 驱动的心肺运动测试研究

本文是一项发表于《Sports Medicine》的原创研究，聚焦于深度学习模型 Oxynet 在心肺运动测试（CPET）中识别乳酸阈值（θLT）和呼吸补偿点（RCP）的性能评估，通过三阶段实验验证了 Oxynet 的准确性、可靠性和客观性，并将其整合至在线平台实现技术普及。

一、前言

CPET 的核心价值：CPET 是评估有氧健康和体能的金标准，广泛应用于临床、科研和商业实验室，通过递增运动方案结合气体交换检测，可全面反映氧利用和二氧化碳清除的生理机制，为临床决策、运动处方制定和运动员训练提供依据。

θLT和 RCP 的重要性：二者是 CPET 的关键指标，分别与运动中乳酸堆积、酸碱缓冲能力突破相关，其识别依赖专家对多变量气体交换和通气曲线的视觉分析，是 CPET 解读的核心环节。

人工识别的局限性：专家视觉识别存在主观性，耗时且需专业训练，评估者间和评估者内的变异性可达 10% 及以上，缺乏客观统一的工具。

AI 技术的应用潜力：深度学习可从复杂数据中提取模式，适合 CPET 阈值检测，Oxynet 作为针对该任务的深度学习算法，已基于 1245 份 CPET 数据训练，但其实时学习和适配的动态特性尚未被验证。

研究目的：验证 Oxynet 在健康人群中自动检测θLT和 RCP 的准确性;针对健康活跃人群的骑行递增方案优化 Oxynet;对比原始与优化后的 Oxynet 性能，并将其整合至在线平台 exercisethresholds.com。

二、研究方法

本研究分为三个连续阶段，结合模拟 CPET 数据和真实呼吸逐次气体交换数据，对比 Oxynet 与三位资深专家的评估结果，同时开展针对性的模型微调与统计分析。

阶段 1：模拟 CPET 数据的生成与评估

利用 Oxynet 的生成对抗神经网络（GAN）生成 50 份模拟递增运动 CPET 数据（θLT和 RCP 的摄氧量V ̇O2已知），同时从伦理审批的数据库中随机选取 50 份健康人群的真实骑行 CPET 数据。 将 100 份数据去标识后随机呈现给三位拥有超 10 年经验的专家，采用单盲法让专家通过在线平台视觉判断数据为 “真实” 或 “模拟”，记录评估结果。

阶段 2：基于模拟数据对比微调后 Oxynet 与专家的阈值识别性能

Oxynet 模型微调：以原始通用 Oxynet 为基础，通过 “冻结” 部分网络参数，利用针对本研究的特定 CPET 数据训练，得到微调后的 Oxynet 模型；该模型为卷积神经网络，以 40 个连续的通气 / 气体交换变量为输入，输出处于θLT前、θLT-RCP 间、RCP 后三个代谢阶段的概率，以概率交叉点判定θLT和 RCP。

阈值识别：生成 50 份新的模拟 CPET 数据，分别由微调后 Oxynet 和三位专家进行θLT和 RCP 识别；专家采用多变量视觉分析法，若评估结果偏差超 150 mL・min⁻¹ 则共同讨论达成共识，否则取平均值作为专家共识结果。

统计分析：计算平均绝对误差、均方根误差，通过单因素方差分析（ANOVA）对比 Oxynet、专家与已知真实值的差异，采用 Bland-Altman 分析验证一致性。

阶段 3：基于真实数据对比通用 / 微调 Oxynet 与专家的阈值识别性能

选取 50 份独立的健康人群真实骑行递增 CPET 数据，分别由通用 Oxynet、微调后 Oxynet 和三位专家进行θLT和 RCP 识别。

统计分析：采用组内相关系数（ICC）评估一致性，独立样本 t 检验对比组间差异，Bland-Altman 分析验证偏差，同时检验微调后 Oxynet 是否存在性别偏倚。

通用统计方法

使用 R 软件进行分析，二项式检验评估专家识别模拟 / 真实数据的正确率，计算准确率、灵敏度、特异度；效应量通过 Hedges’ g 和 ω² 计算，显著性水平设为 p<0.05。

三、研究结果

研究用 163 份 CPET 数据（89 名女性）完成 Oxynet 微调，研究对象为健康男女，女性平均年龄 26 岁、男性 30 岁，均完成骑行递增 CPET，测试时长均值约 10.8 分钟。各阶段核心结果如下：

阶段 1：模拟数据的专家识别结果

三位专家在 300 次评估中仅 132 次判断正确，整体正确率为 44%，显著低于随机概率（50%，p=0.0431）。 测试类型（真实 / 模拟）与专家分类存在弱关联（χ²=3.887，p=0.0487），且专家间评估一致性极低（Fleiss' Kappa=0.0801，p=0.165），无统一的区分标准。

阶段 2：模拟数据下 Oxynet 与专家的阈值识别对比

单因素方差分析显示，已知真实值、Oxynet、专家识别的θLT和 RCP 的V˙O2均无显著差异（θLT：p=0.41；RCP：p=0.39），效应量均接近 0（ω²=0.00）。 Oxynet 和专家与真实值间均存在小幅偏差，二者的平均绝对误差、均方根误差数值相近；Oxynet 与专家共识结果间也存在小幅显著偏差，但相对V˙O2max的差异仅为 - 2.1%（θLT）和 - 3.8%（RCP）。

阶段 3：真实数据下通用 / 微调 Oxynet 与专家的阈值识别对比

通用 Oxynet：与专家结果相比，θLT和 RCP 的V˙O2均存在显著偏差（p<0.001），相对V˙O2max偏差分别为 9.1% 和 6.6%。

微调后 Oxynet：与专家结果无显著差异（θLT：p=0.61；RCP：p=0.83），平均偏差仅为 45 mL・min⁻¹（θLT）和 - 26 mL・min⁻¹（RCP），相对V˙O2max差异不足 2%；二者的 ICC 分别为 0.912（θLT）和 0.982（RCP），一致性极佳。

性别偏倚：微调后 Oxynet 在男女研究对象中与专家的偏差无显著差异（p 均 > 0.1），无性别偏倚。

四、研究讨论

模拟数据的有效性与 Oxynet 的基础性能

Oxynet 生成的模拟 CPET 数据足够逼真，专家无法可靠区分真实与模拟数据，证明其对 CPET 数据模式的还原能力；在模拟数据中，Oxynet 的阈值识别精度与专家接近，虽存在小幅偏差，但偏差值基本在V˙O2的最小可检测变化范围（±150 mL・min⁻¹）内，且无统计学显著差异，验证了 Oxynet 的基础准确性。

Oxynet 微调的价值与动态学习特性

原始通用 Oxynet 因训练数据涵盖多种运动方式、人群和实验室方案，在针对健康人群的骑行 CPET 中与专家存在偏差；而通过小样本特定数据微调后，Oxynet 与专家的一致性显著提升，甚至达到完全匹配，证明其具备动态学习和适配能力，可通过针对性训练适应特定实验方案和人群，解决了静态分析方法的局限性。

Oxynet 的实际应用价值与平台化意义

将微调后的 Oxynet 整合至exercisethresholds.com在线平台，实现了 CPET 阈值的快速自动识别（数秒出结果），同时保留人工视觉分析功能，兼具客观性和人机结合的灵活性。该平台的开放可降低 CPET 阈值识别的专业门槛，减少主观性和评估变异性，提升临床、科研中运动阈值评估的严谨性，实现全球范围内的技术普及和标准统一。

研究的局限性与未来方向

本研究仅验证了 Oxynet 在健康人群骑行递增 CPET中的性能，尚未在跑步机运动、临床患者人群（如心力衰竭、慢阻肺）中验证，且未针对 “无法达到θLT/RCP 的亚极量 CPET” 训练，暂不适用于此类数据。 未来需针对不同运动方式、各类临床患者人群优化 Oxynet，同时拓展 AI 的应用场景，如区分 CPET 的正常 / 异常反应、诊断病理状态、识别运动受限因素等。

AI 与人工评估的关系

Oxynet 并非替代专家，而是作为客观的辅助工具：为经验不足的评估者提供参考，为资深专家提供 “同行支持”，减少单评估者的主观偏差，同时保留人工对 AI 决策的监督，实现人机协同。

五、研究结论

Oxynet 的生成对抗神经网络可生成专家无法区分的逼真 CPET 模拟数据，其对θLT和 RCP 的识别精度在模拟数据中与专家接近，仅存在小幅无实际意义的偏差。

针对特定人群和实验方案微调后的 Oxynet，在真实 CPET 数据中对θLT和 RCP 的识别结果与专家共识完全一致，无性别偏倚，具备准确性、可靠性和客观性。

Oxynet 可作为 CPET 气体交换和通气阈值识别的有效工具，替代或辅助专家完成评估，减少主观性和评估变异性，提升 CPET 分析的严谨性。

Oxynet 整合至在线平台exercisethresholds.com后，实现了技术的全球开放，为临床、科研和商业实验室提供了统一、便捷的 CPET 分析工具，有助于推动运动阈值评估的标准化和普及化。

Oxynet 具备动态学习特性，可通过针对性训练适配不同的实验方案、运动方式和人群，为后续拓展至临床患者人群奠定了基础。

参考文献：

Keir, D.A., Zignoli, A., Iannetta, D. et al. AI-Driven Analysis of Cardiopulmonary Exercise Tests to Identify Gas Exchange and Ventilatory Thresholds. Sports Med (2026). https://doi.org/10.1007/s40279-026-02403-w