ECG基础模型

general · First seen 2026-05-22 · Last seen 2026-10-27 · 3 mentions

Overview

ECG基础模型是指在海量心电图(ECG)数据上进行自监督预训练、再迁移到多种下游临床任务的通用模型范式。它的定位类似于NLP领域的GPT类大模型:用统一模型覆盖心律失常检测、疾病筛查等多样场景,减少为每个任务单独标注和训练的成本。近一年,该方向的研究重心正从单病种模型转向可扩展的自监督预训练和跨域迁移能力评估。

ECG基础模型近期进展

  • QECGBERT: A Scalable ECG Foundation Model Based on Self-Supervised Language Learning via VQ-VAE Waveform Tokenization:该工作将VQ-VAE用于波形离散化,把连续心电信号转为类似文本的token序列,再借助语言模型的预训练框架进行自监督学习,为ECG基础模型提供了一条可扩展的建模范式。
  • CogAdapt:将临床ECG基础模型迁移至可穿戴认知负荷评估:研究表明在临床数据上预训练的ECG基础模型,可以迁移到可穿戴设备场景下的认知负荷评估任务,说明这类模型的表征能力不局限于传统心律诊断,正拓展到神经认知等非典型应用。
  • FOUND-AF:用于房颤检测的ECG基础模型基准测试:针对房颤检测这一最常见的下游任务,该基准系统比较了多个ECG基础模型的表现,为后续研究提供了统一的评估参照。
  • 当前焦点与观察点

    目前ECG基础模型的讨论主要集中在三点。其一,如何把连续波形有效token化——QECGBERT采用的VQ-VAE路线表明,借鉴语言模型的离散token机制是提升预训练规模的关键路径之一。其二,跨域与跨任务的泛化能力,CogAdapt一类的临床到可穿戴迁移案例显示,模型的实际价值在于小数据下游任务的快速适配,而非单一榜单成绩。其三,评估标准尚不统一,FOUND-AF等基准的出现反映社区正试图解决不同模型之间难以公平比较的问题。对从业者和关注医疗AI的研究者而言,值得持续跟踪的是这些基础模型能否在真实临床部署中验证其相对传统专用模型的增量收益,以及数据隐私和监管对大规模ECG数据预训练的约束。

    Coverage

    3 on file