一种信号-语言基座模型用于常规心电图的广谱心血管评估
人工智能
2026-05-26 v1 机器学习
摘要
心电图（ECG）是心血管护理的核心，但常规人工智能模型常局限于常见心律失常，且可能在不同人群或临床微症状疾病上难以良好泛化。我们开发了心电图对比语言-图像预训练（ECGCLIP），这是一种将心电图波形与专家诊断报告对齐的信号-语言对比学习框架。ECGCLIP 在 1,324,856 名患者、2,837,962 例心电图研究上进行预训练，并在保留的内部测试集外加九个独立外部队列中评估，后者约含 150 万例心电图。评估涵盖 89 项下游任务，包括 45 项心电图诊断、39 项超声心动图指标以及 5 种罕见心脏疾病，以 PRAUC 为主要指标。ECGCLIP 在所有外部队列中均一致优于随机初始化和 Merl-R18 基线。内部测试集中，ECGCLIP-R34 对心房颤动（PRAUC=0.900）和ST段抬高型心肌梗死（PRAUC=0.383）取得优异性能，并在所有外部队列中实现稳健泛化。它还改善了低发病率和诊断难以捕捉的疾病，包括 Ebstein 异常（内部 PRAUC=0.253）、收缩性心包炎（PRAUC=0.175）、右侧心肌（PRAUC=0.121）以及心脏蛋白酶沉着症（PRAUC=0.201）。ECGCLIP 数据高效，仅使用 10% 的训练数据即可达到或超过完整数据集的基线性能。特征可视化和热图分析表明，模型学习的表征与 established 心电图标准一致。这些发现表明，大规模心电图-报告对比预训练可将常规心电图解释拓展至广泛的心血管评估，以及超声心动图和罕见疾病的 opportunistic 筛查。
关键词
引用
@article{arxiv.2605.25446,
title = {A Signal-Language Foundation Model for Broad-Spectrum Cardiovascular Assessment from Routine Electrocardiography},
author = {Ziqing Yu and Yuhui Tao and Jiayu Huo and Lei Pan and Zilong Xiao and Juecheng Chen and Xiao Li and Jianxuan Li and You Zhou and Zhixing Li and Cong Wang and Beijian Zhang and Chen Chen and Hongyang Lu and Konstantinos Patlatzoglou and Daniel B. Kramer and Jonathan W. Waks and Yangang Su and Fu Siong Ng and Shuo Wang and Yixiu Liang and Junbo Ge},
journal= {arXiv preprint arXiv:2605.25446},
year = {2026}
}