基于信息论的心电图信号多模态表征学习
机器学习
2026-05-28 v1
摘要
心电图（ECG）是广泛用于非侵入性测量心脏活动的手段，在临床诊断中占据核心地位。近期的多模态方法将心电图信号与临床报告对齐以融合诊断语义，但临床报告常常未能保留心电图波形在从粗糙诊断类别到细粒度形态学的多个抽象层次上的丰富生理结构。为此，我们从信息论视角构建心电图表征学习，导出可同时保留信号结构并整合临床语义的可计算目标。基于此原理，我们提出MERIT（Multimodal ECG Representation via Information Theory），即一种结合掩码心电图建模与心电图-文本对比对齐的双分支预训练框架。在PTB-XL和其他基准数据集上进行大量实验，表明MERIT在各项指标上均优于先前方法，包括在PTB-XL All数据集上F1分数提升超过3个百分点，在SubClass分类上提升超过5个百分点。在零样本评估中，MERIT在PTB-XL SubClass上AUC提升最高达+2.66个百分点，F1提升最高达+2.11个百分点，同时在多种分布迁移设置下表现出良好鲁棒性。此外，利用所学心电图表征进行ECG条件临床文本生成，可提升多个指标（包括ROUGE和METEOR）上的文本质量。综上，这些结果表明MERIT学习到的更具信息性和临床意义的心电图表征，尤其在细粒度临床应用方面表现突出。
引用
@article{arxiv.2605.27583,
title = {Information-theoretic Multimodal Representation Learning for Electrocardiogram Signals},
author = {Phu X. Nguyen and Konstantinos Kontras and Wei Dai and Huy Phan and Christos Chatzichristos and Paul Pu Liang and Bert Vandenberk and Maarten De Vos},
journal= {arXiv preprint arXiv:2605.27583},
year = {2026}
}