用于多标签结构性心脏病筛查的心电图基础模型的域适应 微调

经胸超声心动图是确认结构性心脏病 (SHD) 的参考标准，但一线筛查受到成本、工作流程负担和专家可用性的限制。我们使用公共 EchoNext Mini-Model 基准评估了开放式预训练心电图 (ECG) 基础模型是否可以支持回声确认的多标签 SHD 检测。针对六种超声心动图衍生的异常：左心室射血分数降低、左心室壁厚度增加、主动脉瓣狭窄、二尖瓣反流、三尖瓣反流和右心室收缩功能障碍。在通用流程下，我们将工程心电图特征与梯度提升、从头开始的端到端波形学习以及从开放心电图基础模型的迁移进行了比较。然后，我们在 EchoNext 波形上应用 ECG 基础模型 (ECG-FM) 的域内自监督适应，然后是选择性监督 微调，并评估区分度和适应成本之间的权衡。适应的 ECG-FM 模型实现了最佳的整体性能：峰值宏 AUROC 0.8509 和宏 AUPRC 0.4297，而参数有效的工作点保留了 AUROC (0.8501) 并获得了最高固定阈值宏 F1 0.3691。与协变量的后期融合并没有改善阈值无关的辨别力，并且评估 LoR​​A、替代骨干网和基础混合策略并没有超过最适合的单骨干模型。这些结果表明，对于基于心电图的病例查找和超声心动图分诊，将目标域自监督适应与预训练心电图主干的选择性监督更新相结合是最有效的转移策略。