arXiv cs.AI· Ziqing Yu, Yuhui Tao, Jiayu Huo, Lei Pan, Zilong Xiao, Juecheng Chen, Xiao Li, Jianxuan Li, You Zhou, Zhixing Li, Cong Wang, Beijian Zhang, Chen Chen, Hongyang Lu, Konstantinos Patlatzoglou, Daniel B. Kramer, Jonathan W. Waks, Yangang Su, Fu Siong Ng, Shuo Wang, Yixiu Liang, Junbo Ge·· 4 小时前AI 评分35
CardioLoom:报告引导的心电图基础模型,用于跨域心血管表型分析
CardioLoom: A Report-Guided Electrocardiogram Foundation Model for Cross-Domain Cardiovascular Phenotyping
AI 导读
CardioLoom 是基于 2,781,289 份心电图-报告配对(来自 1,298,359 名患者)预训练的报告引导心电图基础模型,在 45 项内部心电图诊断上取得 macro-AUPRC 0.624,高于 DeepECG-SSL 的 0.615。
正文 · AI 翻译
作者:Ziqing Yu、Yuhui Tao、Jiayu Huo、Lei Pan、Zilong Xiao、Juecheng Chen、Xiao Li、Jianxuan Li、You Zhou、Zhixing Li、Cong Wang、Beijian Zhang、Chen Chen、Hongyang Lu、Konstantinos Patlatzoglou、Daniel B. Kramer、Jonathan W. Waks、Yangang Su、Fu Siong Ng、Shuo Wang、Yixiu Liang、Junbo Ge
摘要:常规心电图(ECG)报告为心血管表征学习提供了可扩展的监督信号。在这项回顾性研究中,我们在来自 1,298,359 名患者的 2,781,289 对 ECG-报告数据上预训练了 CardioLoom,这是一个报告引导的 ECG 基础模型。下游开发使用了来自 233,798 名患者的 721,317 份 ECG 的独立队列。评估覆盖 89 个目标,并在九个队列中进行了外部测试。在 45 项内部 ECG 诊断中,精确率-召回率曲线下面积(AUPRC)的宏平均为 0.624,而 DeepECG-SSL 为 0.615。在 203 项外部 ECG 评估中,相应的均值分别为 0.425 和 0.424。使用 10% 训练患者的标签,CardioLoom 达到宏平均 AUPRC 0.559,超过了使用全部标签的监督训练(0.549)。对于射血分数降低的心力衰竭,中山、十院和 BIDMC 的 AUPRC 分别为 0.690、0.641 和 0.677。心脏淀粉样变性筛查在验证集中使用以 99% 特异性为目标的阈值,获得了 4.5% 的阳性预测值。报告引导的预训练支持了标签高效的 ECG 诊断,但在不同超声心动图表型之间的迁移效果存在差异。
| 评论: | 135 页,5 张主图,7 张补充图和 31 张补充表。大幅修订;ECGCLIP 更名为 CardioLoom。更新了预训练方法、队列统计、基线比较、统计分析和补充材料 |
| 主题: | 人工智能(cs.AI);机器学习(cs.LG) |
| 引用为: | arXiv:2605.25446 [cs.AI] |
| (或 arXiv:2605.25446v2 [cs.AI] 为此版本) | |
| https://doi.org/10.48550/arXiv.2605.25446 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自:Yuhui Tao [查看邮箱]
[v1]
2026 年 5 月 25 日星期一 05:51:44 UTC(33,058 KB)
[v2]
2026 年 11 月 17 日星期二 11:42:21 UTC(10,067 KB)
来源:arXiv cs.AI · arxiv.org