ECGs

general · 首次出现 2026-07-09 · 最近出现 2026-11-03 · 累计提及 9

综述

ECGs(心电图,Electrocardiograms)是通过记录心脏电活动来反映心律、心肌缺血与结构异常的非侵入性检查手段,长期以来是心血管疾病筛查和诊断的基础工具。近年来,随着深度学习和自监督预训练技术的成熟,ECGs 正在从传统的波形判读走向多任务、多模态的智能化应用,成为医疗 AI 领域最活跃的研究方向之一。

ECG 基础模型与自监督预训练

近期的核心趋势是用「基础模型」思路处理 ECG 数据。QECGBERT(https://arxiv.org/abs/2610.33964v1)借鉴语言模型的自我监督方法,通过 VQ-VAE 将波形离散化为 token 再进行预训练,构建了可扩展的 ECG 基础模型。LAEF(https://arxiv.org/abs/2608.03690v1)则针对不同设备导联数不一致的现实问题,提出导联无关的架构,面向床旁即时检测场景。这反映出一个共识:ECG 数据量大、标注成本高,自监督预训练是提升模型通用性的关键路径。

ECG 用于心脏之外的疾病预测

ECGs 的应用边界正在拓展到心脏以外的疾病。ECG2Gene(https://arxiv.org/abs/2611.00614v1)尝试仅凭心电图信号评估生殖系肿瘤易感基因的携带风险,把 ECG 视为一种间接的遗传信息载体。另有研究利用 VAE 重构误差辅助心肌瘢痕的鉴别诊断(https://arxiv.org/abs/2609.05294v1),以及面向纸质心电图的轻量化数字化与心梗筛查方案 ECGLight(https://arxiv.org/abs/2607.07683v1),后者对基层医疗和资源有限地区有现实意义。

多模态融合与模型局限

ECG 与文本、影像等多模态数据的结合也在推进。检索增强的多模态大模型被用于临床预后预测(https://arxiv.org/abs/2610.13510v1),而 ECG Mirage(https://arxiv.org/abs/2609.21755v1)则揭示了一个值得警惕的问题:现有的视觉-语言模型实际上远未充分利用 ECG 信号,并提出缓解方案。此外,基于 ECG 的生物特征识别研究(https://arxiv.org/abs/2609.21962v1)考察了其跨时间与运动状态下的稳定性,说明 ECG 作为个体标识信号的潜力与局限并存。

当前焦点与观察点

综合来看,ECGs 领域当前的焦点集中在三处:一是导联无关、可跨设备迁移的基础模型能否真正落地到床旁场景;二是 ECG 用于肿瘤易感基因等心脏之外风险预测时的临床有效性与验证标准;三是多模态大模型中 ECG 信号的利用不充分问题。这些方向共同的观察点是:模型在回顾性数据上的表现能否在真实临床环境中复现,以及监管层面对此类辅助诊断工具的审评框架如何演进。

相关报道

8 条在档