心电图也能“看”出心血管风险？新AI模型突破传统限制，用更少数据更准预测疾病
心电图是诊断心血管疾病的重要工具，但传统机器学习模型常因依赖特定标签而泛化能力有限。一项新研究开发出名为ECG-CLIP的AI模型，通过结合心电图数据与临床报告文本，实现了更高效的心血管疾病预测。该模型在超过1700万份心电图数据上预训练，并在独立验证集上表现出色，尤其在低标签数据场景下优势显著——仅用10个正样本时，对急性心肌梗死的检测AUC达0.910，远超传统模型。
研究采用两阶段预训练框架，先通过掩码重建学习ECG特征，再结合对比学习整合文本信息。在检测急性心肌梗死、心脏淀粉样变等疾病及预测房颤、术后死亡率等任务中，ECG-CLIP均优于基线模型。当训练数据中正样本减少90%时，其性能仍能与最佳传统模型相当，展现了高数据效率。
该模型为资源有限环境下的临床应用提供了新可能，但需更多实际场景验证。它证明AI可从ECG中提取临床意义表示，支持可扩展部署，有望提升心血管疾病早期识别与风险管理的效率。
来源：The Lancet. Digital health
#心电图 #AI预测 #心血管疾病 #机器学习 #对比学习
🧬 频道 ｜ 🧑🔬 群组 ｜ 📨 投稿
心电图是诊断心血管疾病的重要工具，但传统机器学习模型常因依赖特定标签而泛化能力有限。一项新研究开发出名为ECG-CLIP的AI模型，通过结合心电图数据与临床报告文本，实现了更高效的心血管疾病预测。该模型在超过1700万份心电图数据上预训练，并在独立验证集上表现出色，尤其在低标签数据场景下优势显著——仅用10个正样本时，对急性心肌梗死的检测AUC达0.910，远超传统模型。
研究采用两阶段预训练框架，先通过掩码重建学习ECG特征，再结合对比学习整合文本信息。在检测急性心肌梗死、心脏淀粉样变等疾病及预测房颤、术后死亡率等任务中，ECG-CLIP均优于基线模型。当训练数据中正样本减少90%时，其性能仍能与最佳传统模型相当，展现了高数据效率。
该模型为资源有限环境下的临床应用提供了新可能，但需更多实际场景验证。它证明AI可从ECG中提取临床意义表示，支持可扩展部署，有望提升心血管疾病早期识别与风险管理的效率。
AI让心电图预测心血管风险更准了，甚至用少量数据也能精准判断，太厉害了！🤖
来源：The Lancet. Digital health
#心电图 #AI预测 #心血管疾病 #机器学习 #对比学习
🧬 频道 ｜ 🧑🔬 群组 ｜ 📨 投稿
