自对齐学习改进单导联心电图心肌梗死检测

心肌梗死是冠状动脉疾病的一种危重表现，然而由于空间信息有限，从单导联心电图（ECG）中检测心肌梗死仍具挑战。一种直观的思路是将单导联转换为多导联心电图，再利用预训练模型进行分类，但大多数在信号层面优化的生成方法会留下较大的潜在空间差距，最终降低诊断性能。这自然引出一个问题：潜在空间对齐是否有帮助。然而，现有的大多数心电对齐方法侧重于学习变换不变性，这与单导联检测的目标不匹配。为解决这一问题，我们提出 SelfMIS，一个简单而有效的对齐学习框架，用于改进单导联心电图心肌梗死检测。SelfMIS 摒弃人工数据增强，采用自切割策略将多导联心电图与其对应的单导联片段配对，并直接在潜在空间中对齐它们。这一设计将学习目标从追求变换不变性转变为丰富单导联表征，明确驱动单导联心电图编码器学习一种能够从局部信号推断全局心脏上下文的表征。实验表明，SelfMIS 在九种心肌梗死类型上均取得了优于基线模型的性能，同时保持了更简单的架构和更低的计算开销，从而证实了直接潜在空间对齐的有效性。我们的代码和模型检查点将在论文被接收后公开发布。