利用新型对比损失与多模态学习推进小样本儿科心律失常分类

心律失常是儿童心源性猝死的主要原因，因此基于心电图（ECG）的自动心律分类具有重要的临床意义。然而，由于年龄依赖的波形变异性、有限的数据可用性以及阻碍识别罕见但临床重要心律的显著长尾类别分布，儿科心律失常分析仍然具有挑战性。为解决这些问题，我们提出了一种多模态端到端框架，该框架集成了体表心电图和心腔内电图（IEGM）信号，用于儿科心律失常分类。该模型结合了双分支特征编码器、基于注意力的跨模态融合以及轻量级 Transformer 分类器，以学习互补的电生理表示。我们进一步引入了一种自适应全局类别感知对比损失（AGCACL），该损失结合了基于原型的对齐、类别频率重加权和全局信息硬类调制，以改善类别不平衡下的类内紧凑性和类间可分离性。我们在莱比锡心脏中心心电图数据库的儿科子集上评估了所提出的方法，并建立了一个可复现的预处理流程，包括心律片段构建、去噪和标签分组。所提出的方法达到了 96.22% 的 Top-1 准确率，并在宏观精确率、宏观召回率、宏观 F1 分数和宏观 F2 分数上分别比最强基线提高了 4.48、1.17、6.98 和 7.34 个百分点。这些结果表明，在当前基准上，对少数类敏感的分类性能有所提升。然而，在临床转化之前，仍需要在受试者独立和多中心设置下进行进一步验证。