SuPreME：一种用于多模态 ECG 表示学习的监督预训练框架

心血管疾病是全球死亡和致残的主要原因。电生理图谱（ECG）对于诊断和监测心脏健康至关重要，但获取大规模标注 ECG 数据集需要大量的劳动力和时间。最近的 ECG 无监督学习（eSSL）方法通过在没有大量标签的情况下学习特征来缓解这一问题，但未能捕捉细粒度的临床语义，且需要大量的任务特定微调。为此，我们提出了一种名为 $\textbf{SuPreME}$ 的 $\textbf{Su}$pervised $\textbf{Pre}$-training framework for $\textbf{M}$ultimodal $\textbf{E}$CG representation learning。SuPreME 使用从 ECG 报告实体通过大型语言模型（LLM）进行一次离线提取得到的结构化诊断标签进行预训练，这有助于去噪、标准化心脏概念并改进临床表示学习。通过将 ECG 信号与文本心脏查询融合而非使用固定标签，SuPreME 实现了对未见条件的零样本分类，无需进一步微调。在六个下游数据集上评估的 SuPreME 采用 106 种心脏疾病，实现了零样本 AUC 性能达 $77.20\%$，超越最先进的 eSSL 方法 $4.98\%$。结果表明，SuPreME 在利用结构化、临床相关知识以获得高质量 ECG 表示方面效果显著。