用于心电图界定的标签高效深度学习：针对广泛使用的界定工具的多数据集基准评测

arXiv:2610.07885v1 发布类型：new 摘要：心电图（ECG）界定，即识别波形边界，是将原始心电信号转化为具有临床可解释性测量结果的基础步骤。深度学习推动了这一任务的发展，但仍依赖成本高昂的专家标注。自监督预训练和半监督学习等标签高效策略有望减轻这一负担，但它们能否实现可靠的界定，以及由此产生的深度模型是否优于临床实践中使用的界定工具，仍不明确。我们分两个阶段对此进行研究。首先，在一个内部数据集和四个外部数据集上比较自监督目标与监督式或半监督微调方法，我们发现预训练确实有帮助，但目标函数十分重要；同时，半监督微调的价值取决于预训练目标。其次，我们使用三个互补指标，将筛选出的深度学习模型与广泛使用的开源工具（NeuroKit2、Prominence、ECGdeli）和商业工具（CalECG）进行基准比较。该模型在每个指标和每个数据集上均排名第一；在节律多样的数据集上，它以明显优势超过表现最强的工具（mIoU 为 71.3% 对 54.8%；平均逐点敏感度为 92.6% 对 76.4%），并且从窦性心律到心律失常时性能下降最少。进一步按节律分层并进行逐点分析，刻画了各工具的独特表现，为工具选择提供了实用指导。这些结果提供了系统性的多数据集证据，表明自监督预训练对心电图界定有效，并能够利用丰富的未标注数据，使经过标签高效训练的深度学习模型超越广泛使用的界定工具。这支持在多样化的真实世界临床环境中采用此类模型。