基于图结构的心电图信号全方位且风险敏感的心脏诊断
人工智能
2025-11-12 v1
摘要
尽管电子心图(ECG)信号诊断和分析方法通过深度学习取得了快速进展，但仍存在两个主要障碍限制其临床应用：处理ECG信号配置多样性的缺乏通用性，以及因样本不平衡而不足够检测风险信号。为此，我们提出一种全方位且风险敏感的心脏诊断方法(VERSATile and Risk-Sensitive cardiac diagnosis, VARS)，创新性地采用图结构表示以统一建模异构ECG信号。VARS通过将ECG信号转换为捕获关键诊断特征的通用图结构，实现了不论信号在lead数、抽样频率和持续时间方面的差异性的建模。这种以图为中心的表述也增强了诊断灵敏度，使其能够精确定位和识别常被标准分析方法忽略的异常ECG模式。为实现表示转换，我们的方法整合了去噪重建与对比学习，以保留原始ECG信息的同时突出显示病灶性模式。我们在三个不同ECG数据集上严格评估了VARS的有效性，涵盖各种结构变异。结果表明，VARS不仅在所有这些数据集上 consistently 超越现有最先进模型，还在识别风险信号方面实现了显著提升。此外，VARS提供可解释性，通过定位特定模型输出的确切波形，帮助医生做出明智的决策。这些发现表明，我们的VARS很可能会成为综合心脏健康评估的不可或缺的工具。
引用
@article{arxiv.2511.07973,
title = {Versatile and Risk-Sensitive Cardiac Diagnosis via Graph-Based ECG Signal Representation},
author = {Yue Wang and Yuyang Xu and Renjun Hu and Fanqi Shen and Hanyun Jiang and Jun Wang and Jintai Chen and Danny Z. Chen and Jian Wu and Haochao Ying},
journal= {arXiv preprint arXiv:2511.07973},
year = {2025}
}