通过文本表示解释细胞内电图

理解房颤（AFib）中不规则的电活动一直是电生理学中的关键挑战。对于严重的AFib病例，医生会进行导管切除术收集细胞内电图（EGMs）。EGMs提供心脏的精细局部电活动，是可解释心脏研究的理想模态。近期的人工智能（AI）发展使一些研究能够利用深度学习框架来解释AFib期间的EGMs。此外，语言模型（LMs）在能够泛化到未见领域方面表现突出，尤其是在医疗保健领域。在本研究中，我们首次利用预训练 LMs 对 EGM 插值和 AFib 分类进行 fine-tuning，通过掩码语言模型来实现。我们将 EGM 建模为文本序列，展示了在 AFib 分类方面与其他表示方法的竞争性能。最后，我们提供了全面的可解释性研究，从多角度提供对模型行为的直观理解，这将大大有益于临床应用。