SuPreME: 一种用于多模态心电图表示学习的监督式预训练框架

于红博

摘要: 心血管疾病是全球主要的死亡和残疾原因。心电图（ECG）对于诊断和监测心脏健康至关重要，但获取大规模带注释的ECG数据集需要耗费大量人力和时间。最近的ECG自监督学习（eSSL）方法通过学习特征而无需大量标签来缓解这一问题，但无法捕捉细粒度的临床语义，并且需要大量任务特定的微调。为了解决这些挑战，我们提出了SuPreME，一个用于多模态ECG表示学习的监督预训练框架。SuPreME使用从ECG报告实体中提取的结构化诊断标签进行一次线下提取的预训练，通过大型语言模型（LLMs）帮助去噪声，标准化心脏概念，并改善临床表示学习。通过将ECG信号与文本心脏查询融合而不是固定标签，SuPreME能够实现未见条件的零-shot分类，无需进一步微调。我们在涵盖106种心脏疾病的六个下游数据集上评估了SuPreME，在零-shot AUC性能方面取得了优越的表现，为77.20％，超过了最先进的eSSLs 4.98％。结果表明SuPreME在利用结构化的、临床相关知识进行高质量ECG表示方面的有效性。

更新时间: 2025-09-19 11:58:56

领域: eess.SP,cs.AI,cs.CL,cs.LG

下载: http://arxiv.org/abs/2502.19668v4