MS-ECG-FM：利用多源对比学习构建更通用的健康监测心电图基础模型
MS-ECG-FM: Towards a More Universal Electrocardiogram Foundation Model for Health Monitoring using Multi-source Contrastive Learning
精选理由
多源临床文本对比学习提升心电基础模型泛化能力，助力多病种与少导联监测。
AI 摘要
arXiv:2610.07662v1 发布类型：新 摘要：心电图（ECG）记录心脏的电活动，可通过检测心脏功能异常来辅助诊断。ECG 基础模型已展现出良好效果，但其监督信号仅依赖 ECG 解读报告，因此受到限制。由于解读报告只能涵盖临床医生通常识别的部分波形信息，这使得表征学习忽略了 ECG 中存在的更广泛诊断信号。我们提出了一种新的 ECG 基础模型——MS-ECG-FM，该模型通过与多种不同类型的临床记录进行对比对齐训练，包括 ECG、超声心动图、放射学报告和出院报告。我们在扩展的 ECG 检测基准上评估了 MS-ECG-FM，结果表明，在 ECG 能够检测的全部疾病范围内，包括减少导联配置，MS-ECG-FM 均全面优于现有方法。不同类型的报告能够改善不同诊断领域的表征，而多源对齐则能够捕获它们的互补信息，并在临床任务多样的情况下持续生成强大的表征。