基于1000万例记录构建的心电图基础模型，跨域外部评估
机器学习
2025-08-05 v4 人工智能
信号处理
摘要
人工智能（AI）在心电图分析和心血管疾病评估方面已显示出巨大的潜力。最近，基础模型在推动医学AI方面发挥了显著作用。构建心电图基础模型（ECGFounder）具有提升AI-ECG研究水平的前景。然而，构建此类模型面临多个挑战，包括数据库样本量不足以及在多个领域的泛化性不足。此外，单导联与多导联心电图分析之间存在显著的性能差距。我们引入了心电图基础模型（ECGFounder），这是一个通用模型，利用来自心脏病学专家的真实世界心电图标注，拓宽心电图分析的诊断能力。ECGFounder是在Harvard-Emory心电图数据库上训练的，该数据库包含超过1000万例心电图和150个标签类别，能够通过心电图实现全面的心血管疾病诊断。该模型既是一种有效的开箱即用解决方案，也可针对下游任务进行微调，以最大化可用性。重要的是，我们将其应用扩展到低秩心电图，特别是任意单导联心电图。ECGFounder可用于支持移动监测场景中的各种下游任务。实验结果表明，ECGFounder在内部验证集上实现了专家水平的性能，对于八十种诊断，AUROC超过0.95。它在外部验证集上显示出强大的分类性能和跨诊断的泛化能力。经过微调后，ECGFounder在人口统计分析、临床事件检测和跨模态心脏节律诊断方面均优于基线模型。训练后的模型和数据将在发表后通过bdsp.io公开发布。我们的代码可在https://github.com/PKUDigitalHealth/ECGFounder获取。
引用
@article{arxiv.2410.04133,
title = {An Electrocardiogram Foundation Model Built on over 10 Million Recordings with External Evaluation across Multiple Domains},
author = {Jun Li and Aaron Aguirre and Junior Moura and Che Liu and Lanhai Zhong and Chenxi Sun and Gari Clifford and Brandon Westover and Shenda Hong},
journal= {arXiv preprint arXiv:2410.04133},
year = {2025}
}
备注
Code: https://github.com/PKUDigitalHealth/ECGFounder