MELEP：一种多标签心电图诊断中可迁移性的新型预测度量

在实际心电图（ECG）判读中，标注良好数据的稀缺是常见挑战。迁移学习技术在此类情形下很有价值，然而对可迁移性的评估却鲜受关注。为解决该问题，我们引入 MELEP（即 Multi-label Expected Log of Empirical Predictions，多标签经验预测期望对数），一种旨在估计从预训练模型向下游多标签 ECG 诊断任务进行知识迁移有效性的度量。MELEP 具有通用性，可处理具有不同标签集的新目标数据，且计算高效，仅需对预训练模型进行一次前向传播。据我们所知，MELEP 是首个专为多标签 ECG 分类问题设计的可迁移性度量。我们的实验表明，MELEP 能够预测预训练的卷积与循环深度神经网络在小型且不平衡 ECG 数据上的性能。具体而言，我们观察到 MELEP 与微调模型实际平均 F1 分数之间具有较强的相关系数（多数情况下绝对值超过 0.6）。我们的工作凸显了 MELEP 在加速选择合适预训练 ECG 诊断模型方面的潜力，可节省原本用于微调这些模型的时间与精力。