用于从常规心电图进行广谱心血管评估的信号-语言基础模型

心电图（ECG）是心血管诊疗的核心，但传统AI模型往往局限于常见心律失常，且在不同人群或临床表现隐匿的疾病上泛化能力可能较差。我们开发了ECG对比语言-图像预训练（ECGCLIP），一个将ECG波形与专家诊断报告对齐的信号-语言对比学习框架。ECGCLIP在来自1,324,856名患者的2,837,962份ECG检查上预训练，并在一个保留的内部测试集以及包含约150万份ECG的九个独立外部队列上评估。评估覆盖89个下游任务，包括45项ECG诊断、39项超声心动图指标和5种罕见心脏病，以PRAUC为主要指标。ECGCLIP的性能始终优于随机初始化和Merl-R18基线。在内部测试集上，ECGCLIP-R34在心房颤动（PRAUC 0.900）和ST段抬高型心肌梗死（PRAUC 0.383）上取得较强表现，并在所有外部队列中保持稳健泛化。它还改善了对低患病率且诊断困难的疾病的识别，包括Ebstein畸形、缩窄性心包炎、右位心和心脏淀粉样变，内部PRAUC分别为0.253、0.175、0.121和0.201。ECGCLIP具有数据效率，仅用10%的训练数据即可达到或超过全量数据基线的性能。特征可视化和显著性分析表明其表征具有临床意义，与既定心电图标准一致。这些发现表明，大规模ECG-报告对比预训练可以将常规ECG解读从常见心律失常扩展到广谱心血管评估，以及对超声心动图指标和罕见疾病的机会性筛查。