arXiv cs.AI· Huynh Dang Nguyen, Trong-Thang Pham, Anh-Thuan Do, Phuong-Nhi Dinh, Brijesh Patel, Ngan Le, Van Nguyen·· 11 小时前AI 评分26
IECG：面向心电图分析的弱监督可解释性增强基础模型
IECG: Weakly-Supervised Interpretability-Enhancing Foundation Model for Electrocardiogram
AI 导读
IECG 是一个弱监督心电图基础模型，无需人工标注异常区域即可同时完成诊断分类与异常定位。它从既有心电图临床知识中推导异常热图伪标签，通过 KL 散度损失引导 CLS-token 注意力聚焦诊断相关波形区域，并在预训练中联合优化临床引导注意力监督、ECG-文本对比对齐与报告生成目标。实验显示其在保持分类性能的同时实现 SOTA 异常区域定位，论文已被 WACV 2027 接收。
正文 · AI 翻译
摘要：心电图（ECG）是心脏诊断的基石，然而大多数用于 ECG 分析的机器学习方法缺乏可解释性，限制了其临床采用。我们提出 IECG，一种弱监督 ECG 基础模型，可同时执行诊断分类和异常定位，且无需人工标注异常区域，克服了可解释 ECG 学习中长期存在的瓶颈。IECG 的核心是一种弱监督注意力策略，它通过从既有的 ECG 临床知识中推导异常热图伪标签，显式地融入临床先验。这些伪标签通过 KL 散度损失引导模型的 CLS-token 注意力，促使其聚焦于具有诊断相关性的波形区域。在预训练期间，IECG 通过临床引导的注意力监督、ECG-文本对比对齐和报告描述生成目标进行联合优化，使其能够学习丰富的多模态表示，同时生成局部化的波形证据。通过显式聚合来自临床引导注意力区域的特征，IECG 将其诊断预测建立在可解释的波形证据之上，而不牺牲分类性能。大量实验表明，IECG 在保持强大分类性能的同时实现了最先进的异常区域定位，推动了用于 ECG 分析的可信基础模型的发展。
| 评论： | 已被 WACV 2027 接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.28083 [cs.AI] |
| （或 arXiv:2610.28083v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.28083 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Huynh Nguyen [查看邮箱]
[v1]
2026年10月20日星期二 12:03:09 UTC（607 KB）
来源：arXiv cs.AI · arxiv.org