PRISM-CTG：使用多视图 SSL 进行心胎监护分析的基础模型

用于自动 CTG 分析的监督式深度学习模型通常受到精心策划的标记数据集和有限的患者群体的限制，从而导致大量生理信息临床记录未被开发。为了解决这一限制，我们提出了通过集成自我监督和 CTG 元数据进行生理学感知表示学习（PRISM-CTG），这是一种基于临床的 CTG 自监督基础模型（FM），利用大规模未标记记录来学习可转移的域级表示。 PRISM-CTG 使用多视图自监督框架进行预训练，该框架联合优化 3 个互补的借口目标：随机投影引导掩蔽信号重建、临床变量预测和特征分类。每个目标都与专用的特定任务词元相关联，从而实现专门的表示学习，而受控的交叉注意力则促进跨临床环境的信息交换。通过重新构建患者元数据和领域知识（这些知识在传统训练中通常未充分利用）作为预测目标，Prism-CTG 将现成的临床信息转化为额外的监督目标，指导具有临床意义的表示学习。在产前和产中领域对 7 个下游 CTG 任务进行的广泛实验表明，PRISM-CTG 始终优于域内基线和 SSL 基线。值得注意的是，PRISM-CTG 在 2 个数据集的外部验证下表现出了很强的泛化能力，同时实现了与在更大的私人标记数据集上训练的研究相当的性能。据我们所知，这是第一个为 CTG 引入大规模 FM 来学习域级表示的研究。