先推理后诊断：面向ECG分类的医生启发式结构化思考

临床实践中的心电图（ECG）诊断依赖于对多个层级方面的结构化推理，包括心律、传导特性、波形形态和总体诊断印象。然而，大多数现有方法直接从ECG信号预测标签，没有显式的临床推理，导致决策不透明且缺乏临床一致性。为弥合这一差距，我们提出CardioThink，一个受医生启发的多模态大语言模型（MLLM）框架，它通过人类可解释的中间阶段（心律、传导、形态和印象）显式建模诊断推理过程，从而得出最终分类结果。此外，我们提出结构化集合策略优化（SSPO），在不需要人工标注推理轨迹的情况下，联合优化对结构化推理格式的遵循度和可变尺寸诊断集合的准确性。在多样化ECG基准上的大量实验表明，我们的方法在诊断准确率上显著占优，同时提供可解释的临床推理。值得注意的是，推理质量评估证实SSPO显著增强了所生成理由的临床有效性。这些发现揭示，超越直接标签预测、转向结构化推理，为未来ECG建模提供了更符合临床的方向。