面向公平罕见心脏诊断的基于人口统计学感知的自监督异常检测预训练
计算机视觉与模式识别
2026-03-23 v1
摘要
罕见心脏异常因其长尾分布导致病例数量极少以及诊断性能在不同人口统计学特征间存在差异，使得从心电图（ECG）中检测这些异常困难。这些限制导致诊断延迟和护理质量不均，亟需一种可泛化的框架以提升灵敏度并确保跨人群的公平性。本研究开发了一种 AI 辅助的两阶段 ECG 框架，集成自监督异常检测与人口统计学感知表征学习。第一阶段通过重建被遮盖的全局和局部 ECG 信号、建模信号趋势以及预测患者属性来进行自监督异常检测预训练，从而在无需诊断标签的情况下学习鲁棒的 ECG 表征。预训练模型随后用于多标签 ECG 分类，使用不对称损失函数以更好地处理长尾心脏异常，并生成异常得分图进行局部分析，通过 CPU 优化实现实际部署。我们在超过百万例临床 ECG 数据的纵向队列上进行评估，本方法在罕见异常上的 AUROC 为 94.7%，将常见-罕见性能差距缩小 73%，同时在年龄和性别组间保持一致的诊断准确率。总体而言，所提出的公平性导向的 AI 框架在临床实用性、可解释异常局部分析和跨多个队列的可扩展性方面表现突出，具有缓解诊断不平等、推动医学信号和数字健康领域公平异常检测的潜力。源代码已公开于 https://github.com/MediaBrain-SJTU/Rare-ECG。
引用
@article{arxiv.2603.19695,
title = {Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis},
author = {Chaoqin Huang and Zi Zeng and Aofan Jiang and Yuchen Xu and Qing Cao and Kang Chen and Chenfei Chi and Yanfeng Wang and Ya Zhang},
journal= {arXiv preprint arXiv:2603.19695},
year = {2026}
}