PEACE：面向儿童成人ECG对齐的跨模态增强框架
机器学习
2026-05-04 v1
摘要
自动化儿童心电图（ECG）诊断仍具有挑战性，因为主要在成人数据上训练的模型面临显著的跨人群不匹配，而儿童标签数据又常常稀缺。 我们提出PEACE（Pediatric-Adult ECG Alignment via Cross-modal Enhancement），一个用于成人到儿童ECG迁移的结构化跨模态对齐框架。 PEACE集成了三轴临床语义分解、标签查询特征提取和课程门控优化，以对齐可迁移的成人ECG表征与儿童诊断目标。 由于ZZU-pECG未提供配对临床报告，我们采用Gemini模型结合简洁的临床提示生成标签条件语义描述符，仅作为辅助训练监督；推理阶段仅使用ECG。 在ZZU-pECG数据集上，PEACE在零样本、50样本和完全微调设置下分别实现了59.39%、79.03%和90.89%的AUC，并在共享的PTB-XL标签空间上达到96.65%的AUC。 这些结果表明，结构化的临床语义监督可改善低资源下的成人到儿童ECG迁移，而实际临床应用前还需进行更广泛的前瞻性临床验证和更明确的年龄感知建模。
引用
@article{arxiv.2605.00647,
title = {PEACE: Cross-modal Enhanced Pediatric-Adult ECG Alignment for Robust Pediatric Diagnosis},
author = {Xinran Liu and Yuwen Li and Hongxiang Gao and Heyang Xu and Jianqing Li and Zongmin Wang and Chengyu Liu},
journal= {arXiv preprint arXiv:2605.00647},
year = {2026}
}