论文
MS-ECG-FM：以多源对比学习预训练心电基础模型
MS-ECG-FM: Towards a More Universal Electrocardiogram Foundation Model for Health Monitoring using Multi-source Contrastive Learning
摘要
心电图 (ECG) 记录心脏的电活动，通过检测心脏功能异常来帮助诊断。心电图基础模型已显示出有希望的结果，但由于依赖心电图解释报告作为其唯一监督而受到限制。由于解释报告仅捕获临床医生常规识别的波形信息的子集，这限制了表征学习忽略心电图中存在的更广泛的诊断信号。我们引入了一种新的心电图基础模型——MS-ECG-FM——该模型通过与多种不同临床记录类型（包括心电图、超声心动图、放射学和出院报告）的对比对齐进行训练。我们在一组扩展的 ECG 检测基准上评估了 MS-ECG-FM，结果表明，它在 ECG 可以检测到的所有条件（包括减少导联配置）上全面优于现有方法。不同的报告改进了不同诊断领域的表征，而多源对齐捕获了它们的补充信息，并在临床不同的任务中产生一致的强表征。
