CARE-ECG：基于因果主体的推理，用于可解释和反事实的心电图解释

大语言模型 (LLM) 支持波形到文本的心电图解释和交互式临床询问，但大多数 ECG-LLM 系统仍然依赖于弱信号文本对齐和检索，没有明确的生理或因果结构。这限制了临床决策的基础、时间推理和反事实“假设”分析。我们提出了 CARE-ECG，一种因果结构的心电图语言推理框架，它将表示学习、诊断和解释统一在一个管道中。 CARE-ECG 将多导联心电图编码为按时间组织的潜在生物标志物，执行概率诊断的因果图推理，并通过结构因果模型支持反事实评估。为了改进 忠实性，CARE-ECG 通过因果检索增强生成和集成历史记录、诊断和响应与验证的模块化代理管道来支持语言输出。在多个 ECG 基准和专家 QA 设置中，CARE-ECG 提高了诊断准确性和解释 忠实性，同时减少幻觉（例如，Expert-ECG-QA 的准确度为 0.84，GPT-4 下 SCP 映射的 PTB-XL 的准确度为 0.76）。总体而言，CARE-ECG 通过揭示关键潜在驱动因素、因果证据路径以及替代生理状态如何改变结果来提供可追踪的推理。