患者对比学习：一种高性能、可表达且实用的 ECG 建模方法
机器学习
2022-04-06 v1 信号处理
摘要
医疗中的监督机器学习应用常因标记训练数据稀缺而受限。为缓解小样本量的这一影响，我们引入了一种预训练方法——表征的患者对比学习（PCLR），其从大量无标记样本中创建 ECG 的潜在表征。所得表征在广泛的临床任务中具有可表达性、高性能与实用性。我们利用一个拥有超过 320 万份 12 导联 ECG 的大型医疗系统开发 PCLR，并证明在标记数少于 5,000 的多个新任务上取得显著改进。我们在 https://github.com/broadinstitute/ml4h/tree/master/model_zoo/PCLR 发布了用于提取 ECG 表征的模型。
引用
@article{arxiv.2104.04569,
title = {Patient Contrastive Learning: a Performant, Expressive, and Practical Approach to ECG Modeling},
author = {Nathaniel Diamant and Erik Reinertsen and Steven Song and Aaron Aguirre and Collin Stultz and Puneet Batra},
journal= {arXiv preprint arXiv:2104.04569},
year = {2022}
}
备注
17 pages, 7 figures. Submitted to Machine Learning for Healthcare 2021