基于Jaccard得分的多标签ECG分类对比学习
机器学习
2026-02-12 v1 人工智能
摘要
近期大型语言模型（LLM）的快速发展推动了多模态医学人工智能的发展。尽管MedGemini等模型在VQA任务（如USMLE MM）上取得高准确率，但在基于ECG的任务性能仍受限，部分模型（如MedGemma）甚至不支持ECG数据。ECG解释本质上具有挑战性，诊断准确率会因解释者经验而异。虽然超声心动图提供丰富的诊断信息，但需专业设备和人员，限制了其可及性。本研究聚焦于构建面向多模态预训练的鲁棒ECG编码器，采用基于Sigmoid损失函数的SigLIP模型，引入针对ECG多标签特性的改进损失函数。实验表明，融合医学知识并应用改进损失函数显著提升了多标签ECG分类性能。为进一步增强性能，我们增加了嵌入维度并应用随机裁切以缓解数据漂移。最终的标签级分析揭示了哪些ECG发现易于预测，哪些则较难。我们的研究为开发利用ECG数据的医疗模型提供了基础框架。
引用
@article{arxiv.2602.10553,
title = {Contrastive Learning for Multi Label ECG Classification with Jaccard Score Based Sigmoid Loss},
author = {Junichiro Takahashi and Masataka Sato and Satoshi Kodeta and Norihiko Takeda},
journal= {arXiv preprint arXiv:2602.10553},
year = {2026}
}