一种基于自监督学习的基礎变换器模型，用于通过心电图评估心脏和冠状动脉功能

《NEJM AI》：A Foundation Transformer Model with Self-Supervised Learning for ECG-Based Assessment of Cardiac and Coronary Function

本研究开发了一种基于自监督学习的ECG基础模型，通过预训练大规模未标注数据集（MIMIC-IV-ECG）并微调小规模标注数据集（PET和临床报告），显著提升12项心脏疾病的诊断准确性和泛化能力，在心肌缺血、冠脉微血管功能障碍等任务中AUROC达0.955，优于传统监督学习方法。

　　

摘要

背景

标记心电图（ECG）数据的广泛可用性推动了基于人工智能（AI）的心脏结构和功能异常检测技术的发展，从而促进了基于ECG的诊断方法。然而，由于标记数据集的有限性，许多关键的、高价值的临床诊断应用（如评估心肌缺血、冠状微血管功能障碍和血管运动功能障碍）仍未能得到充分支持。我们开发了一个自监督的ECG基础模型，并展示了这种方法如何克服这一限制。

方法

我们使用一个包含大量未标记ECG波形的大型数据库（MIMIC-IV-ECG，N=800,035）对一个改进过的视觉变换器模型进行了预训练。然后，我们使用包含来自正电子发射断层扫描（N=3,126）和临床报告（N=13,704）的高质量标签的较小数据库对该模型进行了微调，以完成12项临床、人口统计和传统的ECG预测任务。诊断准确性和模型的泛化能力在五个额外的队列中进行了评估，这些队列包括公开可用的PTB-XL和UK Biobank数据库以及来自心脏磁共振成像和单光子发射计算机断层扫描的标签。

结果

不同任务的诊断性能各不相同，接收者操作特征曲线下面积（AUROC）的范围从检测心肌血流储备受损（MFR<2）的0.763到检测左心室射血分数受损（LVEF<35%）的0.955不等。与传统的从头开始监督训练相比，自监督学习（SSL）预训练在12项预测任务中的11项上显著提高了诊断准确性。该模型在三个外部和两个内部跨模态数据库中保持了良好的性能，AUROC的范围从检测MFR受损的0.771到检测LVEF受损的0.949不等。

结论

这个多功能的ECG基础模型表明，SSL预训练可以提高多种心脏诊断应用的诊断准确性和泛化能力。通过利用有限的标记数据进行有效学习，该方法支持了AI在复杂但具有临床重要性的任务中的发展，例如检测心肌缺血、冠状微血管功能障碍和血管运动功能障碍，这些任务需要高质量标签，而高质量标签往往成本高昂且难以获取。（由退伍军人事务部等机构资助。）

您是否属于大学或医院等机构？了解更多关于机构访问的信息

通过您的机构访问