超越患者不变性：通过动作条件 JEPA 学习心脏动力学

医疗保健领域的自我监督学习在很大程度上依赖于基于不变性的目标，最大限度地提高同一患者不同观点之间的相似性。虽然对于静态解剖学有效，但这种范式从根本上与临床诊断不一致，因为它在数学上迫使模型抑制其旨在检测的瞬时病理变化。我们建议转向行动条件世界模型，学习模拟疾病进展的动态或事件条件。将 LeJEPA 框架适应生理时间序列，我们将病理学定义为作用于患者潜伏状态的过渡向量，而不是静态标签。通过预测疾病发作时心脏未来的电生理状态，我们的模型明确地将稳定的解剖特征与动态病理力分开。在 MIMIC-IV-ECG 数据集上进行评估，我们的方法在关键分诊任务上优于完全监督的基线。至关重要的是，我们展示了卓越的样本效率：在资源匮乏的情况下，我们的世界模型比监督学习的性能高出超过 0.05 AUROC。这些结果表明，生物动力学建模提供了比静态分类更稳健的密集监督信号。源代码可在 https://github.com/cljosegfer/lesaude-dynamics 获取