EchoNext: A Dataset for Detecting Echocardiogram-Confirmed Structural Heart Disease from ECGs — ECG 波形筛查结构性心脏病

INFOBOX — EchoNext 一屏速览

维度	内容
本质	12 导联 ECG 波形 → 超声确认的结构性心脏病（SHD）筛查数据集（非超声影像、非视频）
团队	Columbia University Irving Medical Center（纽约长老会体系），通讯 Pierre Elias
论文	Nature 2025-07-16（doi:10.1038/s41586-025-09227-0）；NEJM AI 2026-04-16 数据集/Mini 论文（doi:10.1056/AIdbp2500516）
规模	100,000 条 12 导联 ECG（Columbia + Allen 医院，2008-2022，成人 ≥18 岁）
波形	250 Hz、10 秒、12 导联；NumPy 形状 N×1×2500×12
表格特征	N×7（sex/ventricular_rate/atrial_rate/pr_interval/qrs_duration/qt_corrected/age_at_ecg）
标签	shd_moderate_or_greater_flag——≥中等严重度 SHD 复合二元标签（LVEF 降低/室壁增厚/显著瓣膜病/右室功能不全/肺动脉高压/心包积液之一）
划分	train/val/test/no_split；val/test 仅保留每位患者最新一条 ECG
配套模型	Columbia Mini-Model（轻量 SHD 检测）；权重与代码 GitHub PierreElias/IntroECG 第 7 节
主论文结论	大模型训练于 >100 万 ECG+超声配对、23 万患者；受控评估准确率 77.3% vs 专家 64.0%
平台	PhysioNet v1.1.1，DOI 10.13026/7cfw-d091
库内互链	EchoNet-Dynamic(526)/EchoNet-LVH(530)/EchoNet-Pediatric(771)/EchoRisk(921)——均非同一数据集（详见坑 1）

EchoNext 是"用最便宜的心脏检查读最贵的心脏病"的样本：它把 10 万条常规 12 导联心电图与超声心动图确认的结构性心脏病标签配成对，训练一个能从电信号里"看出"瓣膜狭窄、心肌增厚、心包积液的模型——而这些结构异常传统上必须靠超声才能发现。它的价值一半在数据（10 万条配对 ECG+超声标签是公开资源里罕见的规模），一半在其下游证据链：Nature 主论文用 120 万条记录证明 AI 在受控评估中超越心脏病专家，并已在急诊科启动前瞻性试验。

导语读法三则：

1. 只想下数据/跑通基线：直奔 §6 获取与许可——PhysioNet DOI 10.13026/7cfw-d091 直取，模型权重在 GitHub IntroECG 第 7 节，别去 EchoNet 系列找错门。
2. 关心"ECG 能不能替代超声"：直奔 §4 任务定义与 §7 评估——注意区分"本数据集基线"与"Nature 大模型"两套性能口径，别混引。
3. 做生理信号基础模型/多模态：直奔 §2 数据构成与 §9 互链——与 MIMIC-IV-ECG、CODE-15% 同赛道，可横向对照规模与标签体系。

§0 导读：这个数据集解决什么问题

结构性心脏病（structural heart disease, SHD）是瓣膜、心室壁、心腔结构异常导致的一类心脏病的总称——主动脉瓣狭窄、二尖瓣反流、左心室肥厚、肺动脉高压、心包积液都属此列。它影响全球数千万人，早期发现能显著改善预后，但筛查的最大瓶颈不是没有疗法，而是没有廉价的筛查工具：确诊金标准是超声心动图，而超声需要专门设备与操作者，成本与可及性限制了大规模筛查。与此同时，全球每年做掉约 4 亿份心电图——便宜、普及、几乎每家诊所都有。

EchoNext 的核心命题就是把这 4 亿份心电图变成 4 亿次筛查机会：如果一张常规 ECG 就足以提示"这个人可能有结构性心脏病、该去做超声了"，就能把昂贵的确诊资源精准导流给真正需要的人。这不是新想法——过去也有"深度学习读 ECG 找瓣膜病"的工作（如本团队 2022 年 JACC 的 ValveNet），但它们往往局限在单一病种或狭窄人群。EchoNext 的突破在于范围与规模：一次覆盖 SHD 谱系中的多种疾病，用跨整个大型多元医疗系统的 120 万条配对记录训练，并在受控评估中与人类心脏病专家正面比较。

本条目记录的 EchoNext 公开数据集（PhysioNet，10 万条 ECG）是这个庞大工程对外释放的可复现入口：它是 EchoNext 训练人群的一个简化聚焦子集，专为训练和评测轻量级 Columbia Mini-Model 而整理，并配套公开了模型权重与全流程代码（IntroECG）。换句话说，EchoNext 的完整模型与数据是研究资产，而这个 10 万条子集是团队主动"降维"送出的公共基准——让资源受限的机构与研究者也能在真实规模上验证"ECG 筛查 SHD"这条路。

§0 读法三则：

1. 这个条目的数据是波形（ECG），不是影像：输入是 12 导联电信号，输出是超声确认的 SHD 标签。若你要的是超声视频/图像，请去 EchoNet 系列（坑 1）。
2. 全篇性能分两套口径：Nature 大模型（77.3% vs 专家 64.0%）与本 Mini 数据集基线（NEJM AI）——引用时必须写明是哪一套，二者规模与用途不同。
3. "10 万条"是公开子集，不是 EchoNext 训练全量（>100 万条）；把 10 万当全量是最常见的数字误读（坑 4）。

§1 数据集速览：十问十答

Q1：EchoNext 的"10 万条"是什么？
PhysioNet 上公开的是 100,000 条 12 导联心电图，每条配一个来自超声心动图的 ≥中等严重度结构性心脏病二元标签。它是 Columbia 团队更大 EchoNext 训练人群（>100 万条）的简化聚焦子集，为训练轻量级 Columbia Mini-Model 而整理。

Q2：输入到底是什么模态？
12 导联 ECG 波形。每条波形为 250 Hz 采样、10 秒时长，NumPy 存储形状 N×1×2500×12。不是超声图像、不是视频——这一点与库内所有 EchoNet 条目根本不同。

Q3：标签怎么来的？
来自结构化超声心动图报告字段：把左室射血分数、室壁厚度、瓣膜反流分级、右室功能、肺动脉收缩压、心包积液等指标按临床阈值二值化，合成一个复合标签 shd_moderate_or_greater_flag（满足任一 ≥中等严重度结构异常即为阳性）。

Q4：谁做的，靠不靠谱？
Columbia University Irving Medical Center + NewYork-Presbyterian，通讯作者 Pierre Elias。主论文发表于 Nature（2025-07-16），配套数据集论文在 NEJM AI（2026-04-16）。数据来自 2008-2022 年成人配对临床记录，全部去标识。

Q5：有没有配套模型和代码？
有。团队公开了 Columbia Mini-Model 的权重与代码，托管在 GitHub PierreElias/IntroECG 的第 7 节 “EchoNext Minimodel”，含从 EchoNext_Validation 出发的 dockerized 推理流程。

Q6：性能到底多好？
分两套口径。Nature 大模型（非本子集）：受控评估准确率 77.3%，高于 13 位心脏病专家无 AI 辅助的 64.0%（有 AI 提示的专家 69.2%）；前瞻试验中约 9% 的患者被判高风险、随访确诊率约 75%。本 Mini 数据集：NEJM AI 论文给出数据集与基线模型，具体细分指标见该论文。

Q7：数据怎么划分的？
分 train / val / test / no_split 四组。no_split 不参与训练；val 与 test 仅保留每位患者最新一条 ECG；train 可含同一患者多条。使用时的硬约束：NumPy 数组的行序与元数据 CSV 的行序严格对应，错位即数据错。

Q8：去标识做到什么程度？
患者标识替换为随机替代键；移除姓名与完整日期；仅保留采集年份；年龄封顶 90 岁；未做日期偏移。

Q9：我现在能拿到什么？
PhysioNet 内容页（DOI 10.13026/7cfw-d091，v1.1.1）提供元数据 CSV + 波形 .npy + 表格特征 .npy；GitHub 提供模型权重与推理代码。具体许可条款见 §6。

Q10：为什么它对 AI-Ready 重要？
它是"信号模态 + 影像确认标签"这一跨模态筛查范式的代表作：输入廉价（ECG）、标签可信（超声）、规模够大（10 万条公开子集）、有配套模型与代码、有 Nature 级临床验证背书。在库内，它是心血管条目里少见的"非影像输入"样本，也是"AI 替代昂贵检查"叙事的实证锚点。

§1.5 结构性心脏病背景：为什么值得用 10 万条 ECG 去赌

1.5.1 结构性心脏病的疾病负担

结构性心脏病（SHD）不是单一疾病，而是一组会影响心脏"硬件结构"的病变集合。它的流行病学特征解释了这个数据集为何重要：

• 左室收缩功能不全（低 LVEF）：心力衰竭的核心表型，全球数千万患者，早期常无症状；
• 主动脉瓣狭窄：随人口老龄化增长最快的瓣膜病，一旦出现症状若不干预预后很差，但可通过换瓣治疗；
• 二尖瓣反流：最常见的瓣膜病之一，重度反流与心衰、房颤、死亡风险升高相关；
• 左心室肥厚：高血压、瓣膜病、肥厚型心肌病的共同结构结局，也是猝死风险标志；
• 肺动脉高压：预后差、早期识别难，常被漏诊；
• 心包积液：可为急症（填塞）前兆，需及时识别。

这些病的共同困境是：确诊靠超声，而超声不便宜、不普及。在很多地区，做一次超声需要专门预约、专门设备、专门人员；而一份心电图可以在任何诊所两分钟内完成。

1.5.2 为什么"筛查前移"是正解

医学上解决"确诊资源稀缺"的通用策略是分层筛查：用廉价工具先筛，把确诊资源集中给可能患病的人。经典例子是乳腺钼靶、结直肠癌粪便潜血。EchoNext 把同样的逻辑搬到心脏病：

1. 第一层：人人可做的 ECG → AI 给出 SHD 风险分；
2. 第二层：高风险者去做超声 → 确诊或排除；
3. 第三层：确诊者进入治疗路径（药物/手术/换瓣）。

这个三级漏斗把昂贵超声的使用效率最大化——不是让每个人做超声，而是让最可能受益的人做超声。Nature 主论文的前瞻试验（急诊科、近 8.5 万人）正是这一漏斗的真实世界验证：模型判高风险的约 9% 人群中，接受了超声的确诊率约 75%，是常规分诊的近两倍。

1.5.3 为什么"10 万条"这个规模有意义

SHD 的 ECG→结构映射极其微妙：ECG 是电活动，结构病是解剖改变，二者之间隔着"重构 → 电生理适应"这层间接因果。要学到这种间接映射，数据量是硬门槛：小数据集里模型只会背病例，学不到稳健的跨人群规律。

10 万条（配超声标签）的意义在于：它足够大到能训出泛化的筛查模型（尤其轻量的 Mini 模型），同时又足够小到可以公开共享（隐私与合规上可控）。它是"研究可用性"与"数据可及性"之间一个经过权衡的公开切片。而支撑它的背后人群（>100 万条、23 万患者）则留作大模型的训练底座。

1.5.4 数据集在"心脏病 AI"版图中的坐标

维度	位置
模态	生理信号（ECG 波形），非影像
任务	跨模态筛查（信号输入、影像标签）
目标	结构性心脏病谱系（多病而非单病）
角色	筛查闸门，非诊断终点
可及性	公开平台、三公开（数据/代码/权重）

理解这个坐标，就能明白它为何在库内独树一帜：多数心血管条目在"影像"里做文章（分割、分类、报告），EchoNext 在"信号"里做跨模态的文章。

§2 数据构成与规格

2.1 规模、来源与人群构成

EchoNext 公开数据集由 100,000 条 12 导联 ECG 构成，全部来自 Columbia University Irving Medical Center 及 Columbia、Allen 医院体系的成人（≥18 岁）配对临床记录：

维度	规格
ECG 记录数	100,000 条
人群条件	成人 ≥18 岁，且在一次数字存储的 12 导联 ECG 后 1 年内做过经胸超声心动图
时间跨度	2008-2022 年
波形采样	250 Hz，全 12 导联
波形时长	10 秒
波形张量	NumPy 形状 N×1×2500×12
表格特征	NumPy 形状 N×7
数据来源系统	GE MUSE 心电管理系统
split	train / val / test / no_split

配对逻辑是本数据集的立身之本：只有"做过 ECG 且短期内做过超声"的患者才入选——因为标签来自超声，而输入是 ECG，二者的时间邻近性保证了"这条 ECG 对应的那个超声结论"在临床上成立（1 年间隔）。这个设计把临床真实世界的"ECG 先做、超声后做"流程直接编码进了数据构造。

需特别说明规模口径：这是 EchoNext 训练人群的简化聚焦子集，而非全量。Nature 主论文的大模型训练于超过 100 万条 ECG 与超声配对记录、覆盖 23 万名患者。团队把 10 万条单独整理公开，目的是让外部研究者也能在可控规模上复现"ECG→SHD"的基线（详见 §7 与坑 4）。

2.2 波形数据的预处理流水线

数据描述节给出的波形预处理是三步标准流程，使用者拿到的是"已清洗"张量而非原始信号：

1. 逐导联中值滤波（median-filtered per lead）——去除基线漂移与工频尖刺等高频噪声；
2. 按 0.1 / 99.9 百分位裁剪（clipped at 0.1st and 99.9th percentiles）——抑制极端离群幅值，防止个别导联的异常尖峰主导归一化；
3. 全数据集标准化（normalized using dataset-wide mean and standard deviation）——用全数据集（非逐条）的均值/标准差归一化，保证跨样本幅值尺度一致。

对复现者的含义：如果你想复现论文基线，直接使用公开的 EchoNext_<SPLIT>_waveforms.npy 即可；如果你要接入自己的模型管线做不同的归一化，需要注意原始信号已被这三步处理过，无法完全还原为未滤波的原始波形。

2.3 表格特征的构成与预处理

除了波形，每条 ECG 还配 7 维预处理的表格特征（EchoNext_<SPLIT>_tabular_features.npy，形状 N×7）：

序号	特征名	含义	预处理
1	sex	患者性别	二值化（0=女 / 1=男）
2	ventricular_rate	心室率（次/分，从 ECG 测得）	标准化
3	atrial_rate	心房率（次/分，从 ECG 测得）	标准化；缺失置 0
4	pr_interval	PR 间期（ms，P 波起点到 QRS 起点，反映房室传导）	标准化；缺失置 0
5	qrs_duration	QRS 时限（ms，心室去极化时间）	标准化
6	qt_corrected	校正 QT 间期（ms，心率校正后的去极化+复极化总时）	标准化
7	age_at_ecg	采集时年龄（岁）	标准化；封顶 90 岁

预处理的三个细节值得记住：连续特征标准化；缺失值中位数填充，但 atrial_rate 与 pr_interval 两个特征例外——它们置 0（而非中位数）；sex 二值化。这两类填充策略的差异可能影响模型对"缺失"语义的学习，复现时不可忽视。

2.4 元数据字段的完整清单

元数据 CSV（EchoNext_metadata_100k.csv，10 万行）承载了最丰富的信息层，分四组：

人口学与采集语境：

• patient_key：去标识患者标识（随机替代键）
• acquisition_year：ECG 采集年份（仅年份，无完整日期）
• location_setting：采集临床场景——inpatient / emergency / outpatient / procedural
• race_ethnicity：合并的种族/族裔分类——hispanic / white / black / asian / other / unknown
• most_recent_ecg：该 ECG 是否为患者最近一次（1=是 / 0=否）；此字段定义 val/test 的抽样口径

ECG 衍生表格特征：sex、ventricular_rate、atrial_rate、pr_interval、qrs_duration、qt_corrected、age_at_ecg（同 §2.3）。

超声衍生特征（提供远超二值标签的细粒度表型）：

• aortic_stenosis_value：主动脉瓣狭窄严重度（none/trace、mild、moderate、severe）
• aortic_regurgitation_value：主动脉瓣反流严重度
• mitral_regurgitation_value：二尖瓣反流严重度
• tricuspid_regurgitation_value：三尖瓣反流严重度
• pulmonary_regurgitation_value：肺动脉瓣反流严重度
• rv_systolic_function_value：右室收缩功能定性（normal / mildly / moderately / severely reduced）
• pericardial_effusion_value：心包积液有无与量（none / small / moderate / large）
• ivs_measurement：室间隔厚度（cm，舒张期测量）
• lvpw_measurement：左室后壁厚度（cm，舒张期测量）
• pasp_value：估测肺动脉收缩压（mmHg，多普勒推导）
• tr_max_velocity_value：三尖瓣反流最大流速（m/s，用于估测肺动脉压）
• lvef_value：左室射血分数（%，收缩期左室射血比例）

标签与划分：

• shd_moderate_or_greater_flag：复合二元标签，≥中等严重度 SHD（满足上述任一项的临床阈值即为阳性）
• split：train / val / test / no_split

这个字段设计的价值在于它不止给一个黑箱标签：shd_moderate_or_greater_flag 是"聚合结论"，而 12 个超声衍生特征给出了构成这个结论的原始维度。做细粒度研究的团队可以绕开复合标签，直接对"瓣膜反流分级"或"LVEF 连续值"建模——这是本数据集比"一个二值标签了事"的数据集附加值更高之处。

2.5 对齐约束：一个必须写进代码注释的硬规则

PhysioNet 页面在多处反复加粗强调同一条规则：

NumPy 数组文件中的 ECG 顺序与元数据 CSV 的行顺序严格一致（The order of ECGs in the metadata file matches the row order in the corresponding NumPy array files. This alignment is essential for correct data usage.）

这意味着三件事：

1. 波形、表格特征、元数据三者按行号一一对应，任何中间排序/过滤都必须同步施加到三者；
2. 若你做 shuffle 或 train/val/test 重划分，必须先把三者按 patient_key 一起搬，不能只打乱波形数组；
3. 这是数据集的"隐式外键"——它没有每条记录的显式 ID 列存于 .npy 内，对齐完全靠行序约定维系。一旦有人把 .npy 单独 reorder 而不动 CSV，数据就静默错位（不会报错，只会悄悄把 A 的波形配上 B 的标签）。

对工程实践的忠告：加载后第一件事是交叉核对 len(metadata) == waveforms.shape[0] == tabular.shape[0]，并用 split 列做一次抽检匹配，把对齐假设显式化成断言。

§3 数据字段解析与临床含义

3.1 为什么"ECG 能看出结构病"

外行常疑惑：心电图是记录电活动的，凭什么能发现瓣膜或心肌的结构问题？答案是结构异常会在电活动上留下可学习的间接痕迹：

• 左室肥厚（室壁增厚）→ 更高的 QRS 电压、复极异常（ST-T 改变），心电图学里 K 线/电压标准沿用数十年；
• 主动脉瓣狭窄 → 左室压力负荷↑ → 继发肥厚与传导异常；
• 左室收缩功能下降（低 LVEF） → QRS 形态、时限、电轴改变；
• 肺动脉高压/右室负荷 → 右心导联（V1）的高 R 波、电轴右偏、RBBB 形态；
• 心包积液 → 低电压、电交替。

传统心电图判读依赖医生把这些零散征象综合起来，但早期、轻度、多病共存时的细微模式往往超出人眼分辨力。EchoNext 的假设正是：这些亚临床模式在 12 导联波形的高维空间里是可学习的——把"人眼看不见的电-结构映射"交给深度网络去拟合。换言之，它读的不是"心电图诊断"，而是**“超声结论在电信号中的统计影子”**。

3.2 复合标签的临床边界

shd_moderate_or_greater_flag 的"moderate or greater"限定词至关重要，它把阳性门槛卡在"≥中等严重度"：

• 为什么设中等门槛：轻度结构异常临床意义有限、且超声判读的轻度分级一致性差，纳入会把噪声灌进标签；
• 阳性的六类疾病（满足其一）：LVEF 降低、心室壁增厚、显著瓣膜病、右室功能不全、肺动脉高压、心包积液；
• 它是什么语义：这是一个 screening（筛查）标签，不是诊断标签——阳性意味着"值得去做超声进一步确认"，而非"确诊某病"。

对使用者的含义：别把它当作六分类或多标签的替代。数据集给了粒度更细的超声衍生特征（§2.4），如果你的研究方向是某一种具体疾病，直接用对应字段（如 lvef_value 或 aortic_stenosis_value）比用复合标签更精确。

3.3 六个标签维度的临床速览

SHD 子类	对应超声字段	心电学典型征象	临床意义
左室收缩功能下降	lvef_value	QRS 形态/时限改变、电轴偏移	心衰核心指标，LVEF 是最常被 AI 预测的连续目标
心室壁增厚	ivs_measurement / lvpw_measurement	高电压、复极异常	高血压/瓣膜病/肥厚型心肌病的结构基础
瓣膜病	aortic_stenosis_value 等 5 个瓣膜字段	房室扩大、传导异常、ST-T 改变	主动脉瓣狭窄最具临床干预价值（可换瓣）
右室功能不全	rv_systolic_function_value	V1 高 R、电轴右偏	提示肺循环负荷或右心病变
肺动脉高压	pasp_value / tr_max_velocity_value	右心导联改变、P 波异常	预后差，早期识别价值高
心包积液	pericardial_effusion_value	低电压、电交替	可为急症征象，需警惕填塞

2.6 数据构造的临床流程还原

把数据集的入选条件翻译成临床时间线，能更清楚地理解这批数据"长什么样"：

1. 一次就诊中做了 12 导联 ECG（门诊、急诊、住院或操作场景，由 location_setting 记录）；
2. 此后 1 年内做了经胸超声心动图（transthoracic echocardiogram, TTE）；
3. 超声报告中的结构指标被结构化提取并按阈值二值化；
4. 该患者在这一时间窗内的一条或多条 ECG 被纳入。

这个流程隐含三个偏差来源，使用者应当知情：

• 选择偏差：只有"既做 ECG 又做超声"的人才能入选。而做了超声的人本身就比一般 ECG 人群更可能有心脏问题（医生是因为起疑才开超声）——这让阳性率高于自然人群，模型学到的先验偏悲观。
• 配对延迟偏差：ECG 与超声的 1 年间隔内，结构病变可能进展或消退。用"距超声最近的 ECG"还是"任意一条 ECG"会影响标签质量。数据集用 most_recent_ecg 字段部分回应了这一点（val/test 用最近一条）。
• 报告判读偏差：超声衍生特征来自结构化报告字段，其取值依赖超声医生判读——轻中度瓣膜反流的判读一致性本身就是临床难题，标签噪声由此进入。

2.7 与"原始波形存档"的关系

需要区分两个层级的数据：

层级	内容	EchoNext 是否提供
原始信号	未滤波的 GE MUSE 导出波形	否（已预处理）
预处理张量	中值滤波+裁剪+标准化的 NumPy 数组	是
表格特征	标准化后的 7 维临床特征	是
元数据与标签	CSV 行与超声衍生字段	是

含义：EchoNext 是"研究就绪（research-ready）"而非"存档就绪"的数据——它省去了你清洗波形的功夫，但也锁定了预处理口径。如果你的方法对预处理敏感（如某些自监督对比学习依赖原始信号特性），需要意识到你拿到的不是原始信号。

3.4 表格特征的临床解释上限

7 维表格特征（§2.3）是由 ECG 机器自动测量的经典指标（心率、PR、QRS、QT 等），它们在临床上是常规"心电图解读"的直接产出。EchoNext 把它们与波形并列输入，意义在于：

• 给模型一个"临床先验"：机器测量的间期/心率反映了常规判读结论，模型可据此校准；
• 提供可解释的基线：单独用这 7 个特征训练一个逻辑回归/梯度提升，就能得到"纯临床指标能达到多少"的对照；
• 但它们的判别力有限：传统 ECG 指标对 SHD 的敏感度不高（否则临床早就用它们筛查了）——EchoNext 的核心增量恰恰来自波形里人眼看不见的高维模式，而非这 7 个测量值。

3.5 阳性门槛的量化含义

"≥中等严重度"这一门槛在六个维度上的具体临床含义（用于理解标签边界）：

维度	大致门槛（临床惯例，非数据集明文）
LVEF	通常 <50% 或明确降低提示收缩功能不全
心室壁增厚	IVS/LVPW 超过年龄性别校正的正常上限
瓣膜病	反流/狭窄达 moderate 及以上
右室功能	mildly reduced 及以上
肺动脉高压	PASP 升高（阈值依临床标准）
心包积液	small 及以上

重要：上表为临床惯例的近似描述，数据集给的是离散分级取值（none/trace、mild、moderate、severe）与连续测量值，具体二值化阈值由团队依临床标准设定，页面未逐项公布精确切点。使用者若要做可复现的标签重建，应先从元数据字段的取值分布反推阈值，或直接使用已给好的 shd_moderate_or_greater_flag。

§4 任务定义：ECG → SHD 筛查

4.1 形式化定义

EchoNext 定义的是一个典型的二元筛查任务：

• 输入 x = 12 导联 ECG 波形（张量 N×1×2500×12）+ 可选表格特征（N×7）+ 可选人口学；
• 输出 ŷ ∈ {0, 1} = 是否存在 ≥中等严重度的结构性心脏病；
• 损失 通常为二元交叉熵（binary cross-entropy）；
• 评价 以 AUROC 为主，辅以敏感度/特异度/准确率（筛查场景下敏感度权重更高，因为漏筛的代价大于误报）。

这是一个判别式分类任务，不是生成、不是分割、不是检测框——输入是时序信号，输出是标量概率。它的孪生任务（在更大 EchoNext 体系里）还包括对具体 SHD 子类与连续表型（如 LVEF 数值）的预测，但公开数据集聚焦的是这个复合二值筛查目标。

4.2 为什么是"筛查"而不是"诊断"

理解任务性质的关键在于区分 screening 与 diagnosis：

维度	筛查（本任务）	诊断（金标准）
目的	从低风险/未筛查人群中挑出"可能有问题"的人	对可疑个体确认或排除疾病
工具	廉价、普及（ECG）	昂贵、专业（超声）
容忍度	高敏感度、可接受一定误报	高特异度、尽量减少误诊
下游	转诊去做超声	制定治疗方案
阳性含义	“建议进一步检查”	“确诊某病”

EchoNext 的临床叙事正是把 ECG 模型放在筛查闸门的位置：它不是要取代超声，而是要精准导流——把有限的超声资源导向 AI 判为高风险的人。NYP 新闻稿给出的量化图景：同等阳性率下，若所有被 EchoNext 判高风险的病人都接受超声，可能多诊断出约 2,000 名潜在严重结构性心脏病患者。

4.3 评价视角的注意事项

用这个数据集做评测时有三个容易踩的坑：

1. 别把 AUROC 当临床效用：AUROC 高不代表在真实患病率下好用（筛查人群患病率远低于训练配对人群，PPV 会被稀释）；理想做法是报告决策曲线或固定敏感度下的特异度。
2. 注意 split 的患者级结构：val/test 仅含每位患者最新一条 ECG，但 train 可能含同一患者多条——若你的评测想做到"患者级独立"，需自行去重。
3. 复合标签的异质性：阳性的六类疾病在心电学上难易差异极大（主动脉瓣狭窄 vs 心包积液），单一 AUROC 会掩盖子类间的不均衡；条件允许时报告子类分层结果。

4.4 与库内其他 ECG 任务的定位差异

数据集	输入	输出任务	与 EchoNext 的差异
EchoNext（本条）	12 导联 ECG	超声确认 SHD 二元筛查	跨模态：信号输入、影像标签
MIMIC-IV-ECG	12 导联 ECG	诊断文本/多项 ECG 结论	任务更广、标签来自报告文本
CODE-15%	12 导联 ECG	多项 ECG 异常标签	巴西队列、标签来自 ECG 判读
EchoNet 系列（526/530/771）	超声视频/图像	心功能/分割/分类	输入即影像，非信号

§5 使用指南：从下载到基线

5.1 数据加载骨架

# EchoNext 公开数据集加载骨架（PhysioNet v1.1.1）
# 约定：.npy 的行序与 metadata CSV 的行序严格一致——三者必须同步操作
import numpy as np
import pandas as pd

# 1) 元数据（10 万行，含标签 shd_moderate_or_greater_flag 与 split）
meta = pd.read_csv("EchoNext_metadata_100k.csv")

# 2) 波形与表格特征（按 split 分文件）
split = "train"  # train / val / test / no_split
waveforms = np.load(f"EchoNext_{split}_waveforms.npy")      # N x 1 x 2500 x 12
tabular   = np.load(f"EchoNext_{split}_tabular_features.npy")  # N x 7

# 3) 对齐断言（务必显式化）：行数一致 + 行序匹配
sub = meta[meta["split"] == split]
assert len(sub) == waveforms.shape[0] == tabular.shape[0], "行序/行数不一致"
assert waveforms.shape[1:] == (1, 2500, 12), "波形形状异常"

# 4) 标签
y = sub["shd_moderate_or_greater_flag"].to_numpy()

# 5) 波形张量示例：取第 0 条，10 秒 12 导联
sample_ecg = waveforms[0, 0]          # 形状 (2500, 12)，250 Hz × 10 s
lead_II = sample_ecg[:, 1]            # 例：第 II 导联（列序以官方导联定义为准）

5.2 最小可跑的 PyTorch 基线示意

# 极简 1D-CNN 基线示意（仅演示数据形状，非官方实现）
import torch
import torch.nn as nn

class ECGSHDNet(nn.Module):
    def __init__(self, n_tab=7):
        super().__init__()
        self.conv = nn.Sequential(
            nn.Conv1d(12, 32, kernel_size=7, padding=3), nn.ReLU(), nn.MaxPool1d(2),
            nn.Conv1d(32, 64, kernel_size=5, padding=2), nn.ReLU(), nn.MaxPool1d(2),
        )
        self.head = nn.Sequential(
            nn.Linear(64 * (2500 // 4) + n_tab, 128), nn.ReLU(),
            nn.Linear(128, 1), nn.Sigmoid(),
        )
    def forward(self, x, tab):
        z = self.conv(x)                 # x: (B, 12, 2500)
        z = z.flatten(1)
        z = torch.cat([z, tab], dim=1)
        return self.head(z).squeeze(-1)

# 注意：官方波形存储为 (N,1,2500,12)，送入上述模型前需转置为 (B,12,2500)

5.3 官方模型推理路径

官方推荐使用 GitHub PierreElias/IntroECG 第 7 节 “EchoNext Minimodel”，其中提供从 EchoNext_Validation 出发的 dockerized 推理流程。复现官方基线时应优先走这条路径，而非自行搭建网络——官方代码与权重的对齐是最省事的复现捷径。

5.4 工程实践清单

步骤	要点
下载	PhysioNet DOI 10.13026/7cfw-d091；注意许可条款（§6）
加载	三者行序对齐；显式断言形状与行数
预处理	公开 .npy 已中值滤波+百分位裁剪+标准化；自定义管线需知原始信号不可完全还原
表格特征	已标准化、缺失填充（atrial_rate/pr_interval 置 0）；直接可用
标签	用 shd_moderate_or_greater_flag 做筛查，或用细分超声字段做子任务
划分	遵循官方 split；跨 split 患者重叠需自行核验
评测	AUROC 为主，报告固定敏感度下特异度；子类分层更佳
复现	优先官方 dockerized 推理；报告时区分 Mini 基线与大模型口径

§5.5 训练与评测的实操注意事项

5.5.1 类不平衡与阈值选择

SHD 筛查数据在自然人群里阳性率不会很高（配对人群里会偏高，但仍非均衡）。实操建议：

• 不要用准确率当主指标：类不平衡下准确率会骗人（全判阴性也可能不错）；
• 报告 AUROC + 固定敏感度下特异度：临床筛查更关心"在漏诊率可接受时，多少健康人被误报"；
• 阈值按场景定：急诊筛查可接受更高敏感度（多转诊），门诊则需平衡误报成本。

5.5.2 波形形状的转置陷阱

官方存储为 (N, 1, 2500, 12)，而 PyTorch 的 1D 卷积期望 (N, C, L)——注意这里的通道语义：是把 12 导联当通道（Conv1d 输入通道 12，长度 2500），还是把 2500 当时序、12 当特征？常见正确做法是转置为 (N, 12, 2500) 让 Conv1d 在导联维度做多通道卷积。导联顺序（I, II, III, aVR, aVL, aVF, V1-V6 或 GE 的顺序）需以官方定义为准，弄反会让模型学到错乱的通道语义。

5.5.3 多导联缺失与信号质量

真实 ECG 里个别导联可能有伪迹或缺失。数据集已做百分位裁剪与标准化，但未替你处理"某导联整段异常"。构建管线时建议加信号质量检查（如导联平线检测、幅值合理性），否则脏导联会污染整个样本的表示。

§6 获取与许可

6.1 获取入口

资产	入口	说明
数据集本体（10 万条 ECG）	PhysioNet 内容页 https://physionet.org/content/echonext/	DOI 10.13026/7cfw-d091，v1.1.1
元数据 CSV + 波形/特征 .npy	同上（页面 Files 区）	EchoNext_metadata_100k.csv + EchoNext_<SPLIT>_*.npy
模型权重 + 代码	GitHub https://github.com/PierreElias/IntroECG（第 7 节）	Columbia Mini-Model，含 dockerized 推理
主论文	Nature（doi:10.1038/s41586-025-09227-0）	开放获取
数据集/小模型论文	NEJM AI（doi:10.1056/AIdbp2500516）	2026-04-16

6.2 引用规范

PhysioNet 要求使用该资源时引用：

Elias, P., & Finer, J. (2026). EchoNext: A Dataset for Detecting Echocardiogram-Confirmed Structural Heart Disease from ECGs (version 1.1.1). PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/7cfw-d091

引用本数据集的方法学背景与性能宣称时，应同时引 Nature 主论文（Poterucha 等 2025）与 NEJM AI 数据集论文（Hughes 等 2026）——前者是模型与临床验证的来源，后者是数据集本身的来源。

6.3 许可与使用边界

重要说明：本条目抓取时，PhysioNet 页面的 License 段落为动态渲染内容，未能经自动化抓取确认到确切的许可名称与再分发条款（见 FACTS.md §9 遗留疑点 1）。因此使用前必须人工打开 https://physionet.org/content/echonext/ 核对当前 License 段，不要假定其为任一开放许可。

需要使用者自行确认的三类边界：

1. 再分发：能否将数据/衍生物再分发给第三方；
2. 商用：能否用于商业产品（注意 Columbia 已就 EchoNext 算法提交专利申请 #63/555,968，模型权重的商用另需核对）；
3. 模型权重许可：GitHub 代码与权重的许可（代码库许可）与数据集许可可能不同，需分别核对。

6.4 版本链与更新触发

版本	日期	变更
v1.1.1	2026-04-20（页面 2026-04-30 发布）	更新引文
v1.1.0	2025-09-15	新增 3 个元数据字段：location_setting / race_ethnicity / most_recent_ecg
初版	2025 年	首发布

版本更新的实际影响：v1.1.0 新增的 location_setting、race_ethnicity、most_recent_ecg 三个字段显著扩展了公平性研究与场景分层的可能——你可以直接按采集场景（急诊/住院/门诊/操作）或种族族裔分层评测模型，这正是 Nature 主论文强调"跨照护场景与种族群体表现一致"所需的元数据基础。若你用的是更早版本，缺失这三列会让分层分析无从下手。

§7 评估与基准：两套口径必须分清楚

7.1 Nature 大模型（非本子集）

这是 EchoNext 最广为引用的性能来源，但它测的不是本公开数据集，而是完整 EchoNext 模型：

指标	数值	口径
训练规模	>1,000,000 条 ECG+超声配对，230,000 名患者	全量训练人群
机构范围	大型多元医疗系统内部 + 外部验证	内外验证
受控评估准确率	77.3%（EchoNext）	与专家同批 ECG 对照
心脏病专家（无 AI）	64.0%	13 位专家
心脏病专家（有 AI 提示）	69.2%	仍低于 EchoNext
前瞻试验	近 85,000 名此前未做心脏影像的患者	临床试验
高风险识别率	约 9%（>7,500 人）	被判未确诊 SHD 高风险
随访确诊率	约 75%（高风险者中接受超声者）	约为无 AI 分诊人群的 2 倍
临床影响估算	同等阳性率下或可多诊断约 2,000 名患者	NYP 新闻稿口径

三个必须记住的限定：① 77.3% 是大模型在受控评估的准确率，不是本 10 万条子集上的基线；② 专家对照是"同一批 ECG"的受控设定，不等于真实临床流程；③ 前瞻试验在 8 个急诊科开展，属真实世界早期证据而非终局结论。

7.2 EchoNext-Mini 基线（本数据集配套）

本公开数据集配套的是 Columbia Mini-Model——一个为"资源受限或小规模部署环境"设计的轻量级 SHD 检测模型。其数据集与基线模型的正式论文为 NEJM AI 2026（Hughes 等，doi:10.1056/AIdbp2500516）。

需要强调的口径纪律：本条目抓取时未获得 Mini 基线的逐项细分指标（AUROC/敏感度/特异度，见 FACTS.md §9 遗留疑点 3）。引用本数据集的性能时应直接引 NEJM AI 论文的原始表格，不要用 Nature 大模型的 77.3% 冒充 Mini 基线的成绩。

7.3 基准定位与用法

PhysioNet 页面原文给出的用法定位有两类：（1）作为评测已有 ECG 模型的 benchmark——你可以把 MIMIC-IV-ECG 上训练的模型拿到 EchoNext 上测跨库泛化；（2）作为训练新 SHD 检测模型的资源。

作为 benchmark 时的公平性优势：数据集提供 race_ethnicity、location_setting、most_recent_ecg 三个分层字段，使你能按人群子群与照护场景报告性能——这是评估心血管 AI"是否对所有人都同样有效"的稀缺基础设施。

7.4 与其他 ECG-SHD 工作的对标

工作	年份	输入	目标	与 EchoNext 关系
ValveNet（Elias 等，JACC）	2022	12 导联 ECG	左侧瓣膜病	同一团队的前作，单病种；EchoNext 扩展为 SHD 谱系
rECHOmmend（Ulloa-Cerna 等，Circulation）	2022	ECG	未诊断 SHD 风险	竞品思路，"多种 SHD"早期探索
EchoNext（Nature）	2025	12 导联 ECG	SHD 谱系（多病）	谱系化 + 大规模 + 前瞻试验的综合升级
EchoNext-Mini（本数据集）	2026	12 导联 ECG	同上（轻量版）	大模型的资源受限部署 + 公开数据集

方法演进的清晰脉络：单病（瓣膜）→ 多病（SHD 谱系）→ 轻量化与公开化。EchoNext 是这个漏斗的收口，本数据集则是收口处的可复现入口。

§7.8 模型技术画像（推断性，标注不确定）

需要说明：本条目抓取的公开材料（PhysioNet 页面 + Nature 摘要 + NYP 新闻稿）没有给出 EchoNext 模型的完整网络架构细节。以下基于"12 导联 ECG + 表格特征 + 轻量部署"的定位做合理推断，标注为推断而非事实：

• 输入层：12 导联 × 2500 采样点的时序张量 + 7 维表格特征（§2.3）。多导联时序输入是 ECG 深度学习的标准形态。
• 主干网络：ECG 分类的主流架构是 1D 卷积网络（1D-CNN）/ 残差网络，或近年流行的 Transformer（把导联当 token 或把时序 patch 化）。考虑到 Mini 模型"轻量、可小规模部署"的定位，1D-CNN 型主干的可能性较大。
• 表格特征融合：常见做法是主干抽特征后与表格特征拼接，再经全连接层输出（§5.2 的基线示意即此结构）。
• 输出：sigmoid 单标量（二元 SHD 概率）。
• 训练：二分类交叉熵；类不均衡处理（重加权/重采样）是筛查任务的常规配置。

不确定性声明：以上架构细节未经一手来源证实，仅帮助读者理解任务形态；如需精确架构，应查阅 NEJM AI 论文与 GitHub 7-EchoNext Minimodel 目录的模型定义代码。

§7.9 训练数据的规模与泛化权衡

一个值得写进综述的方法学观察：EchoNext 用"大模型（百万级）+ 小模型（10 万级）"的双层设计回应了筛查 AI 的两个现实约束：

约束	大模型（Nature）	小模型（Mini，本数据集）
目标	最高准确性与临床证据	可部署、可复现、资源受限可用
数据	>100 万条配对	10 万条公开子集
部署	大型医疗系统	小机构/边缘设备
可及性	权重公开但训练数据不公开	数据+权重+代码全公开
角色	证明"能做到"	让"别人也能做"

这个双层的价值在于：大模型回答"ECG 筛查 SHD 是否可行"，小模型回答"这件事能不能被更多人复现和部署"。对 AI-Ready 生态而言，小模型的公开往往比大模型的高分更有意义——它把研究能力交到社区手里。

§7.10 与前作 ValveNet 的方法演进

维度	ValveNet（2022, JACC）	EchoNext（2025, Nature）
目标病种	左侧瓣膜病（单病）	SHD 谱系（多病）
数据规模	数十万级	>100 万条配对
验证层级	内部/外部	内部/外部 + 前瞻试验
临床对照	—	与 13 位专家受控对比
公开产物	模型代码（IntroECG §6）	数据 + Mini 权重 + 代码

演进逻辑很清晰：病种从一到多、规模从小到大、证据从回顾到前瞻、产物从代码到数据。EchoNext 把 ValveNet 验证过的"ECG 能读结构病"这一命题，从单病扩展成了可临床落地的筛查系统。

§8 生态与影响

8.1 从研究到临床的落地管线

EchoNext 的生态位不是"又一个 ECG 分类模型"，而是一条从算法到临床流程的完整链路：

1. 算法：Nature 主论文的深度学习模型（>100 万条训练）；
2. 公开化：本 10 万条数据集 + Mini 模型权重 + IntroECG 开源代码（可复现）；
3. 临床验证：在 8 个急诊科启动的前瞻性临床试验（针对此前无心脏影像的患者）；
4. 知识产权：Columbia 已就算法提交专利申请 #63/555,968（发明人含 TJP、LJ、CMH、PE）。

这条链路的稀缺性在于"公开数据集 + 公开权重 + 前瞻临床证据"三者同时齐备——多数医疗 AI 或只有算法论文、或只有数据集、或只有回顾验证，EchoNext 三样都给了。对希望借鉴"研究→产品"路径的团队，它是一份完整的样板。

8.2 命名双关：Echo 的两种含义

理解 EchoNext 生态位置的一个有趣切口是它的名字。EchoNet 系列的 “Echo” 指 echocardiography（超声心动图）——它们的本体就是超声影像或视频。而 EchoNext 的 “Echo” 是双关：既指团队想"提前 echo（超声）“的愿景，也暗示它用的是 ElectroCardioGram 而非超声。命名逻辑几乎相反——EchoNet 是"超声本身”，EchoNext 是"用 ECG 提前超声"。这个语义差异是检索时最易翻车之处（坑 1）。

8.3 对心血管 AI 领域的方向意义

EchoNext 代表的心血管 AI 方向有两个宏观含义：

1. 筛查前移：把原本需要影像的确诊能力下沉到最普及的检查（ECG）上，让"人人可筛"在成本上成为可能——这与库内大量"用 AI 提升影像诊断"的条目是互补而非竞争的关系。
2. 跨模态弱监督：标签来自一种模态（超声），输入是另一种模态（ECG）——这类"跨模态弱监督"范式在大模型时代越来越常见（用昂贵模态的结论监督廉价模态的模型）。本数据集是这一范式在心血管领域的标杆案例。

8.4 诚实边界：它不解决什么

避免神化：EchoNext 不替代超声（只是筛选），不覆盖所有心脏病（只覆盖六类结构异常），不保证跨机构泛化（单机构为主），其公开数据集仍是子集（10 万/100 万）。前瞻试验尚在进行，长期临床收益待证实。把它当作"筛查入口的效率工具"而非"诊断终点"是恰当的定位。

7.5 内部验证、外部验证与前瞻验证三阶梯

EchoNext 大模型的证据强度按"验证层级"分三档，理解这三档有助于判断它离"临床可用"有多远：

1. 内部验证：在同一医疗系统的留出集上评测——证明模型在熟悉分布上有效；
2. 外部验证：在未参与训练的外部人群/机构上评测——证明泛化性；论文报告"跨不同照护场景与种族族裔群体表现一致"；
3. 前瞻性临床试验：在真实临床流程中、对未筛查人群实际使用——证明临床价值。EchoNext 在 8 个急诊科启动了前瞻试验，对近 85,000 名此前无心脏影像的患者应用，约 9% 判高风险，随访确诊率约 75%。

对使用本公开数据集的团队，这三档的启示是：你用 10 万条子集做出的模型，大致对等"内部验证"水平；要声称外部有效，必须在另一机构数据（如 MIMIC-IV-ECG、CODE-15%）上重测。

7.6 与人类专家的对照怎么读

Nature 论文的专家对照设计值得仔细看：

• 同一批 ECG：模型与专家评的是同一组心电图，排除了病例难度差异；
• 三档对照：EchoNext 77.3% > 专家有 AI 辅助 69.2% > 专家无 AI 64.0%；
• 含义：模型不仅超过专家，甚至专家"配上 AI 提示"也没追上——这暗示 EchoNext 学到的是人类判读框架之外的信号（否则专家借助它应能追平）。

但对照的边界也要清楚：这是准确率的受控比较，不等于"AI 应该取代医生"——临床上模型是筛查工具，专家仍负责解释与决策。

7.7 评测清单（给要发论文的团队）

项	建议
主指标	AUROC + 固定敏感度下特异度
辅助	校准曲线、决策曲线分析
分层	按 race_ethnicity、location_setting、age 分层报告
对照	纯表格特征基线 vs 波形+表格
消融	有无表格特征、有无人口学的增益
泛化	跨库（MIMIC-IV-ECG/CODE-15%）重测
复现	与官方 Mini 基线（NEJM AI）对标

§8.5 命名与检索的系统性辨析

8.5.1 “Echo” 家族检索判别式

库内与"Echo"相关的条目已成一个小家族，检索时用一张判别表避免混链：

判别问题	若答"是"	若答"否"
输入是 ECG 波形吗？	可能是 EchoNext	继续下一问
输入是超声影像/视频吗？	可能是 EchoNet 系	另属其他
团队是 Columbia 吗？	EchoNext	EchoNet 系通常是 Stanford
任务含"筛查/ECG→病"吗？	EchoNext	EchoNet 系是"影像→功能"

8.5.2 为什么名字会撞

• 共同的领域词：“Echo” 在心血管 AI 里既指 echocardiography（超声），也是"echo"（回声/回看）的英文词；
• 共同的命名动机：都在做"心脏 AI"，都爱用 Echo 做前缀；
• 分属不同机构的不同传统：Stanford 的 EchoNet 系列开创了"超声视频+深度学习"的传统；Columbia 的 EchoNext 走的是"信号+筛查"的传统。两条传统各自出名，名字却撞车——这正是 AI-Ready 条目需要做消歧的典型场景。

8.5.3 对发布方与检索者的建议

• 发布方：在数据集卡片里显式声明"本数据集与 EchoNet 系列无关，输入模态为 ECG 波形"；
• 检索者：用精确名 + 模态词组合检索（EchoNext ECG structural heart disease），别用裸 Echo；
• 图谱维护：在库内把 EchoNext 与四个 EchoNet 条目建立"辨析互链"而非"相似互链"，避免算法误判相关度。

§8.6 对千方病案库内图谱的入库建议

8.6.1 标签与分类建议

字段	建议值
category_tags	生理信号 / 心电信号 / 心血管疾病 / 评测基准 / 多模态
模态归类	生理信号（ECG 波形）
疾病归类	心血管疾病（结构性心脏病谱系）
任务归类	筛查（screening）+ 评测基准

8.6.2 互链策略建议

库内 4 个 EchoNet 条目与 EchoNext 名字相近但非同族，建议互链时加"辨析"标注而非"相似"标注，避免推荐算法按字符串相似度误判。真正的同赛道互链目标应是 ECG 波形数据集（MIMIC-IV-ECG、CODE-15%、physionet-cinc 系列）。

8.6.3 检索别名建议

为防止检索者用 “EchoNet”（无 x）误命中，建议在条目的别名/关键词字段中显式加入"ECG 结构性心脏病筛查"“ECG-SHD”“心血管筛查"等语义别名，并注明"非超声数据集”。

§9 与库内条目的关系

9.1 与 EchoNet 系列的辨析（核心）

这是本条目检索时最容易出错的地方——库内 4 个带 “Echo” 的条目与 EchoNext 均非同一数据集：

库内条目	rid	团队	输入模态	任务	与 EchoNext 的关系
EchoNet-Dynamic	526	Stanford	超声心动视频	心功能/EF 评估、分割	无关（不同团队、不同模态）
EchoNet-LVH	530	Stanford 系	超声影像	左室肥厚表型	无关（影像输入）
EchoNet-Pediatric	771	Stanford 系	超声心动视频	儿科超声	无关（影像输入）
EchoRisk	921	多中心	超声心动图	心脏毒性纵向	无关（影像输入）
EchoNext（本条）	—	Columbia	12 导联 ECG 波形	ECG 筛查 SHD	本条目

一句话辨析：EchoNet 系的输入就是超声，EchoNext 的输入是心电图（ECG）。它们名字像、都属心血管、都来自大型学术医疗中心，但数据集本体、团队、模态、任务四者全不同。检索时用一个精确判别式：看输入模态——是波形还是影像？

9.2 同赛道可互链（ECG 波形数据集）

• MIMIC-IV-ECG（库内条目）：大规模 12 导联 ECG 波形数据集，与 EchoNext 同属"ECG 信号 + 临床标签"赛道，可作波形数据规模与标签体系对照（MIMIC 的标签更偏 ECG 自身诊断，EchoNext 的标签跨到超声结构结论）。
• CODE-15%（库内条目）：巴西 CODE 队列 15% 采样 12 导联 ECG，规模宏大，同赛道跨人群对照。
• physionet-cinc-2017 / physionet-cinc-2016 / physionet-cinc-2011：PhysioNet 心电图挑战赛系列，与 EchoNext 同平台，是"ECG 信号基准"的历史脉络。
• QT-Database / apnea-ecg / ltafdb / mit-bih-afdb 等 PhysioNet 心脏电信号子库：同平台、小规模、专病导向的对照条目。

9.3 心血管疾病主题互链

• cardiac-implantable-device-cxr：心血管 + 影像 + 设备，作"影像路径"对照。
• EchoNet 系（526/530/771）与 EchoRisk（921）：作"超声影像路径"对照——与 EchoNext 的"ECG 信号路径"构成同一疾病领域的两种技术路线对比。

9.4 检索路径建议

• 精确检索用 "EchoNext" + "structural heart disease" + "PhysioNet"；切勿与 EchoNet（无 x）混搜——一个字母之差指向完全不同的 Stanford 超声系列。
• 若目标是复现基线：PhysioNet DOI 10.13026/7cfw-d091（数据）→ GitHub IntroECG 第 7 节（权重与推理）→ NEJM AI 论文（基线指标）。
• 若目标是临床背景：Nature 主论文（doi:10.1038/s41586-025-09227-0）+ NYP 新闻稿。

4.5 任务变体：一个数据集能支撑多少种研究

同一个 EchoNext 数据集，因标签层丰富，可支撑多种任务变体：

任务变体	输入	输出	用到的字段	研究价值
复合 SHD 筛查	波形+表格	二值	shd_moderate_or_greater_flag	官方主任务，临床筛查
单病种检测	波形	二值	如 aortic_stenosis_value 阈值化	瓣膜病等专病模型
连续表型回归	波形	连续值	lvef_value、pasp_value	预测 LVEF/PASP 数值
分级序数预测	波形	序数	瓣膜反流分级（none→severe）	严重度分级
多标签预测	波形	多标签	六类结构异常各一标签	多病共存建模
公平性审计	波形+分层字段	分层性能	race_ethnicity、location_setting	子群一致性评测
跨模态表征学习	波形	表征	与超声结论对齐	自监督/对比学习
基础模型评测	波形	性能	任意标签	生理信号基础模型基准

这个"一数据多用"的能力，源自它的分层标签设计：既给聚合结论（复合标签），又给原始维度（12 项超声衍生特征），还给了语境（场景/种族/年龄）。很多数据集只给一个标签，用一次就到底；EchoNext 的标签层是可拆解、可重组的，这是它作为 AI-Ready 资源的重要加分项。

4.6 研究方向建议（给研究生与新团队）

• 入门：复现官方 Mini 基线 → 用纯表格特征建对照基线 → 波形+表格的消融；
• 进阶：跨库泛化（EchoNext 训练、MIMIC-IV-ECG/CODE-15% 测试）；标签噪声鲁棒性（复合标签的异质性）；
• 前沿：波形自监督预训练 + 下游 SHD 微调；跨模态对比（ECG 表征对齐超声表征）；公平性分层建模；
• 临床转化：筛查阈值优化（决策曲线）；与临床工作流集成的仿真研究。

§9.5 血缘与谱系：哥伦比亚团队的 SHD 研究三部曲

9.5.1 团队前作

EchoNext 不是横空出世，而是 Columbia 团队在"ECG 深度学习读心脏病"方向上的持续演进：

阶段	代表工作	年份	覆盖	关键特征
早期	ValveNet（左侧瓣膜病）	2022	单病（瓣膜）	JACC 发表，证明 ECG 可测瓣膜病
中期	EchoNext 大模型	2025	多病（SHD 谱系）	Nature 发表，百万级训练，前瞻试验
当前	EchoNext-Mini + 公开数据集	2026	同上（轻量+公开）	NEJM AI，10 万条公开，权重开源

9.5.2 开源库 IntroECG 的血缘

GitHub PierreElias/IntroECG 是整个研究的"工具箱"载体，其 8 个模块本身就是研究谱系的记录：

1. Waveform Extraction：从 GE MUSE 或 PDF 提取原始波形；
2. Generating Synthetic ECG Data：合成 ECG 生成（测试假设）；
3. Preprocessing：清洗与归一化关键步骤；
4. Models：PyTorch/TF 示例模型；
5. Training with Ignite and Optuna：快速实验框架；
6. The ValveNet Publication：瓣膜病模型（JACC 复现）；
7. EchoNext Minimodel：本数据集配套的模型推理；
8. CADNet ATTR Model：ATTR 心肌病（Coming soon，标注"即将推出"）。

第 6、7、8 模块直接对应团队的三条产品线（瓣膜病 → SHD → ATTR 心肌病），是"研究资产代码化"的清晰样本。对使用者的实际意义：第 7 模块是复现本数据集基线的官方入口，第 3 模块提供了与数据集预处理一致的清洗脚本。

9.5.3 引用时的血缘纪律

引用 EchoNext 时应保持血缘清晰：

• 数据集本体 → 引 Elias & Finer 2026（PhysioNet）；
• 模型方法与临床验证 → 引 Poterucha 等 2025（Nature）；
• Mini 基线 → 引 Hughes 等 2026（NEJM AI）；
• 前作脉络 → 可选引 Elias 等 2022（JACC ValveNet）。

四条引用分别对应"数据/大模型/小模型/前作"，混为一谈会让读者无法追溯具体指标来源。

§10 避坑清单：八个已踩过的坑

坑 1：EchoNext ≠ EchoNet（一个字母的事）。EchoNext 是 Columbia 团队的 ECG 波形数据集（本条目）；EchoNet 系列（库内 526/530/771）是 Stanford 系的超声影像/视频数据集。名字差一个字母 x，团队、模态、任务全不同。判别式：看输入是波形还是影像。检索时用 EchoNext（有 x）精确匹配。

坑 2：输入是 ECG，标签是超声——别搞反。EchoNext 的输入是 12 导联心电图（便宜、普及），标签来自超声心动图（昂贵、专业）。它的整个卖点就是"用便宜信号预测昂贵检查的结论"。若你以为它的数据是超声图像，会用错整个模态。

坑 3：Nature 主论文的性能不是本数据集的性能。77.3% vs 64.0% 是 Nature 大模型（>100 万条训练）在受控评估的成绩；本公开数据集（10 万条）配套的是 Mini 模型（NEJM AI 论文）。引用时必须写明口径，别拿大模型的成绩给本数据集贴金。

坑 4：10 万 ≠ EchoNext 全量。公开的 10 万条是"更大 EchoNext 训练人群的简化聚焦子集"；Nature 主论文的大模型训练于 >100 万条配对记录、23 万患者。把 10 万当全量是最常见的数字误读。

坑 5：波形/特征/元数据必须按行序对齐。PhysioNet 页面反复加粗强调：.npy 的行序 = 元数据 CSV 的行序。三者无显式 ID 列关联，全靠行序约定。任何 reorder 若不同步施加到三者，数据会静默错位（不报错、只出错）。加载后务必显式断言行数与形状。

坑 6：split 不是患者级完全独立。val/test 仅保留每位患者最新一条 ECG，但 train 可含同一患者多条——跨 split 可能存在患者重叠。若你的评测强调患者级独立性，需自行去重核验，别默认 split 已隔离到患者级。

坑 7：许可段未实核，别假定为开放许可。PhysioNet 页面的 License 段为动态渲染，本条目自动化抓取未能确认确切许可名与再分发/商用条款（FACTS.md §9 遗留疑点 1）。使用前必须人工打开页面核对。另注意 Columbia 已就算法提交专利申请 #63/555,968，模型权重与数据集许可可能分别约束。

坑 8：复合标签 ≠ 六分类。shd_moderate_or_greater_flag 是"满足六类结构异常任一且 ≥中等严重度"的复合二元标签，不是六类多标签。想做具体疾病（如主动脉瓣狭窄）研究，应直接用对应的超声衍生字段（aortic_stenosis_value 等），而非复合标签。

§10.5 数据治理与可复现性评估

10.5.1 可复现性三要素

要素	EchoNext 状态	评价
数据公开	PhysioNet 公开页	良好
代码公开	GitHub IntroECG	良好
权重公开	Mini-Model 权重	良好
预处理可复现	已给预处理张量+描述	良好（但原始信号不可还原）
评测口径明确	官方 split + 引用格式	良好
许可明确	未实核	缺口

10.5.2 与库内条目的可复现性对照

库内心血管/ECG 条目的可复现性差异较大：

• 纯公开直链型（本条目）：数据+代码+权重三公开，复现门槛最低；
• 注册墙型：需申请才能下载，复现门槛中等；
• 请求制型：需邮件作者，复现门槛高且不确定；
• 仅论文型：只能读结论，无法复现。

EchoNext 属"三公开"的优质档，唯一的结构性缺口在许可透明度（坑 7）。这也提示读者：“数据能下"不等于"能随便用”——可获取性与许可清晰度是两个独立维度。

§10.6 常见误读对照表（给审稿人与读者）

误读	事实	出处
“EchoNext 就是 EchoNet”	不同团队、不同模态：EchoNext 是 Columbia 的 ECG，EchoNet 是 Stanford 的超声	坑 1
“EchoNext 的数据是超声图像”	输入是 12 导联 ECG 波形，超声只提供标签	坑 2
“EchoNext 准确率 77.3%”	这是 Nature 大模型的受控评估成绩，非本 10 万条数据集的 Mini 基线	坑 3
“EchoNext 有 100 万条数据”	公开的是 10 万条；100 万是大模型训练全量	坑 4
“数据集可以随便下载使用”	许可段未实核，且算法有专利，商用需确认	坑 7
“标签是六分类”	官方只发布一个复合二元标签，六类需自行从细分字段构造	坑 8
“ECG 和标签随便对应”	行序严格对齐，reorder 必须同步	坑 5
“val/test 完全独立于 train”	val/test 用每患者最新一条，但 train 可含同患者多条，患者级重叠需自查	坑 6

§10.7 与其他跨模态医疗 AI 数据集的思想对照

EchoNext 的"用廉价模态预测昂贵模态结论"范式，在医疗 AI 里有多处同构：

数据集/工作	廉价输入	昂贵标签来源	领域
EchoNext	12 导联 ECG	超声心动图	心血管
视网膜眼底照 + 全身风险	眼底照	全身代谢/心血管指标	眼科/代谢
胸片 + 心功能	胸片	超声/临床结论	影像/心内
语音 + 神经退行	语音	临床诊断	神经/语音

共同思想：把稀缺的"金标准"结论作为监督信号，训练能大规模部署的"廉价检查"模型。EchoNext 在这类范式中的标杆地位来自其临床证据强度（Nature 主论文 + 前瞻试验）与公开化的完整度（数据+代码+权重）。

更新日志与维护触发点

触发条件	需更新的章节	优先级
PhysioNet 发布 v1.2+	§6.4 版本链、附录 A	高
许可条款明确后	§6.3、坑 7、附录 B（A 维度评分）	高
NEJM AI 论文细分指标可获取	§7.2、附录 C	中
前瞻临床试验最终结果发布	§7.1、§8.1	高
第三方在 EchoNext 上的对标评测增多	§7.4	中
split 样本数公布	§2.1	低
团队发布 CADNet ATTR（IntroECG §8）	§9.5.2	低

维护说明：本条目成稿于 2026-10-10，基于 PhysioNet v1.1.1。由于本条目抓取时未能实核许可条款与若干细分数字（见 FACTS.md §9），后续如有权威来源更新，应优先补齐上述"高"优先级项。

数据卡片（Data Card 速览）

目的：用 12 导联 ECG 筛查 ≥中等严重度结构性心脏病，替代超声做大规模前置筛查。

构成：100,000 条 12 导联 ECG（250 Hz、10 秒）+ N×7 表格特征 + 人口学元数据 + 12 项超声衍生特征 + 复合二元 SHD 标签。

来源：Columbia University Irving Medical Center，2008-2022，成人 ≥18 岁，配对大模型训练人群的简化子集。

预处理：波形逐导联中值滤波+百分位裁剪+全数据集标准化；表格特征标准化+缺失填充。

划分：train/val/test/no_split；val/test 用每患者最新一条。

使用：PhysioNet DOI 10.13026/7cfw-d091；模型 GitHub IntroECG §7。

已知局限：单机构、回顾性、标签来自超声报告、患者数未披露、许可未实核、split 患者级重叠风险。

伦理与合规：完全去标识；算法有专利申请（#63/555,968）；使用前须核对许可与商用边界。

§11 总结

11.1 三句话总结

1. EchoNext 用 10 万条 12 导联 ECG 配对超声确认的 SHD 标签，把"用最普及的检查筛查最需要影像的结构病"这一命题变成了可复现的公开数据资源。
2. 它的临床证据来自 Nature 主论文（>100 万条训练、受控评估 77.3% 超越专家 64.0%、急诊科前瞻试验），公开数据集是其"降维"出的可复现入口，配套 Mini 模型权重与 IntroECG 开源代码。
3. 它是库内少见的"信号输入 + 影像标签"跨模态弱监督样本，也是心血管 AI"筛查前移"方向的标杆——但须与同名相似的 EchoNet 系列严格区分。

11.2 适合谁

• 心血管 AI / ECG 深度学习团队：需要大规模配对 ECG+SHD 标签做训练或基准；
• 生理信号基础模型研究者：需要一个跨模态（信号→影像结论）的真实临床基准；
• 筛查项目与临床决策支持开发者：需要一个有前瞻临床证据背书的 ECG 筛查数据底座；
• 公平性研究者：数据集提供种族族裔与照护场景分层字段，可评测模型的子群一致性。

11.3 不适合谁

• 需要超声影像/视频数据的项目（去 EchoNet 系列，别来这里找图像）；
• 需要多机构平衡采样做跨机构泛化的研究（本数据单机构为主）；
• 需要心脏全病种数据的项目（只覆盖六类结构异常）；
• 需要精确许可保证商用的团队（许可段未实核，须先自行确认）。

11.4 30 秒决策卡

你的情况	行动
想立刻下数据跑基线	PhysioNet DOI 10.13026/7cfw-d091 + GitHub IntroECG 第 7 节
想复现官方 Mini 基线	走 IntroECG dockerized 推理，别自搭网络
想引用性能数字	分口径：Nature 大模型 77.3%/专家 64.0%；Mini 基线引 NEJM AI
想做跨库泛化	拿 MIMIC-IV-ECG/CODE-15% 训练，EchoNext 测试
想找超声影像	去 EchoNet-Dynamic(526)/EchoNet-LVH(530)（不是本条目）
想引用本数据集	引 PhysioNet 指定格式 + Nature + NEJM AI 三篇

---

相关数据集对照表

数据集	库内 rid	团队	输入模态	任务	与 EchoNext 的关系
EchoNext（本条）	待发布	Columbia	12 导联 ECG 波形	ECG 筛查 SHD	—
EchoNet-Dynamic	526	Stanford	超声心动视频	心功能/EF、分割	不同团队、不同模态（影像是输入）
EchoNet-LVH	530	Stanford 系	超声影像	左室肥厚表型	不同团队、不同模态
EchoNet-Pediatric	771	Stanford 系	儿科超声视频	儿科超声分析	不同团队、不同模态
EchoRisk	921	多中心	超声心动图	心脏毒性纵向	不同团队、不同模态
MIMIC-IV-ECG	库内	BIDMC/MIT	12 导联 ECG 波形	多 ECG 诊断标签	同模态赛道，标签体系不同
CODE-15%	库内	巴西 CODE 队列	12 导联 ECG 波形	多项 ECG 异常	同模态赛道，跨人群对照
physionet-cinc-2017	库内	PhysioNet	单/多导联 ECG	房颤检测挑战	同平台，任务不同

一句话总结辨析：EchoNet 系（526/530/771）与 EchoRisk（921）是"超声影像输入"；EchoNext 是"ECG 波形输入"。四者名字与 EchoNext 相似但本体全异，检索时看输入模态即可区分。

---

FAQ（高频问答 16 问）

A. 基础认知

Q1：EchoNext 和 EchoNet 是一个东西吗？
不是。EchoNext 是 Columbia 团队的 ECG 波形数据集（本条目）；EchoNet（库内 526/530/771）是 Stanford 系的超声影像/视频数据集。差一个字母 x，团队、模态、任务全不同（坑 1）。

Q2：EchoNext 这个名字什么意思？
“Echo” 是双关——既指团队想"提前 echo（做超声）"的愿景，也隐含它用的是 ECG（心电图）而非超声。“Next” 指下一代筛查方式。命名逻辑与 EchoNet（其 “Echo” 就指超声本体）几乎相反。

Q3：谁做的？
Columbia University Irving Medical Center + NewYork-Presbyterian，通讯作者 Pierre Elias；数据集在 PhysioNet 由 Pierre Elias 与 Joshua Finer 登记；主论文一作 Timothy J. Poterucha（与 Linyuan Jing 并列一作）。

Q4：发表在哪里？
两部分：主论文在 Nature（doi:10.1038/s41586-025-09227-0，2025-07-16 在线）；数据集/小模型论文在 NEJM AI（doi:10.1056/AIdbp2500516，2026-04-16）；数据集本体在 PhysioNet（DOI 10.13026/7cfw-d091）。

Q5：数据集里有多少条？
公开的 10 万条 12 导联 ECG。它是更大 EchoNext 训练人群（>100 万条）的简化聚焦子集（坑 4）。

Q6：输入是什么？
12 导联心电图波形：250 Hz、10 秒、形状 N×1×2500×12，另有 N×7 表格特征与元数据。

Q7：标签是什么？
shd_moderate_or_greater_flag——一个复合二元标签，表示是否存在 ≥中等严重度的结构性心脏病（六类结构异常之一）。标签来自超声心动图报告（坑 2）。

Q8：有什么配套？
Columbia Mini-Model 权重与代码（GitHub PierreElias/IntroECG 第 7 节）+ dockerized 推理 + 完整的元数据/波形/特征文件。

B. 数据与使用

Q9：怎么下载？
PhysioNet 内容页 https://physionet.org/content/echonext/，DOI 10.13026/7cfw-d091，v1.1.1。模型权重走 GitHub。

Q10：波形是原始信号吗？
不是。已做三步预处理：逐导联中值滤波、按 0.1/99.9 百分位裁剪、全数据集标准化。想要未滤波原始信号需另寻来源（坑 5 相关）。

Q11：加载时最要注意什么？
行序对齐。.npy 的行序与元数据 CSV 的行序严格一致，三者无显式 ID 关联，reorder 必须同步，否则静默错位（坑 5）。

Q12：split 怎么划分？
train/val/test/no_split 四组。no_split 不训练；val/test 仅保留每位患者最新一条 ECG；train 可含同一患者多条（坑 6）。

Q13：年龄为什么要封顶 90？
去标识要求。患者年龄封顶 90 岁、仅保留采集年份、未做日期偏移——这是隐私保护的标准操作。

Q14：许可是什么？
未能实核。PhysioNet 页面 License 段为动态渲染，本条目自动化抓取未确认确切许可名。使用前须人工打开页面核对（坑 7）。

C. 任务与性能

Q15：模型准确率多少？
分口径：Nature 大模型受控评估 77.3%（专家无 AI 64.0%）；本数据集配套的 Mini 基线指标见 NEJM AI 论文（本条目未获细分数据，坑 3）。

Q16：它能替代超声吗？
不能，也不打算。它是筛查闸门——把高风险的人挑出来去做超声，而非确认诊断。价值在导流，不在取代。

---

参考文献与来源

1. Elias P, Finer J. EchoNext: A Dataset for Detecting Echocardiogram-Confirmed Structural Heart Disease from ECGs (version 1.1.1). PhysioNet. 2026. RRID:SCR_007345. DOI: 10.13026/7cfw-d091. URL: https://physionet.org/content/echonext/
2. Poterucha TJ, Jing L, Ricart RP, Adjei-Mosi M, Finer J, Hartzel D, et al. Detecting structural heart disease from electrocardiograms using AI. Nature. Published online 2025-07-16. DOI: 10.1038/s41586-025-09227-0.（开放获取）
3. Hughes JW, Jing L, Finer J, Hartzel D, Kelsey C, Long A, Rocha D, Ruhl J, Poterucha TJ, Elias P. EchoNext-Mini: A Dataset and Baseline AI Model for Detecting Structural Heart Disease from Electrocardiograms. NEJM AI. 2026-04-16. DOI: 10.1056/AIdbp2500516.
4. IntroECG 开源库（模型权重与推理代码）. GitHub: https://github.com/PierreElias/IntroECG （第 7 节 EchoNext Minimodel；Accessed 2026-10-10）
5. NewYork-Presbyterian 新闻稿. Study Shows AI Screening Tool Developed at NewYork-Presbyterian and Columbia Can Detect Structural Heart Disease Using Electrocardiogram Data. URL: https://www.nyp.org/advances/article/cardiology/study-shows-ai-screening-tool-developed-at-newyork-presbyterian-and-columbia-can-detect-structural-heart-disease-using-electrocardiogram-data
6. Elias P, Poterucha TJ, Rajaram V, et al. Deep learning electrocardiographic analysis for detection of left-sided valvular heart disease. J Am Coll Cardiol. 2022-08-09;80(6):613-626.（EchoNext 前作 ValveNet）
7. Ulloa-Cerna AE, Jing L, Pfeifer JM, et al. rECHOmmend: an ECG-based machine learning approach for identifying patients at increased risk of undiagnosed structural heart disease detectable by echocardiography. Circulation. 2022-07-05;146(1):36-47.
8. PhysioNet 内容页与版本发布说明（v1.1.1 / v1.1.0 / 初版）；Release Notes 与 Conflicts of Interest 段（专利号 #63/555,968）.

---

存照附录

存照 1：发布日期双口径

来源	日期表述
PhysioNet 页面页头	Published April 30, 2026
PhysioNet Release Notes	v1.1.1 released on April 20, 2026

两处相差 10 天（页面发布日 vs 版本条目发布日）。本条目按"页面 2026-04-30 / 版本 2026-04-20"并列存照。

存照 2：训练规模双口径

口径	规模	含义
PhysioNet 数据集	100,000 条 ECG	公开子集（Mini-Model 用）
Nature 主论文大模型	>1,000,000 条 ECG+超声配对，230,000 患者	全量训练人群

10 万 ≠ 全量。这是最容易误读的数字口径（坑 4）。

存照 3：作者口径分层

层面	作者列表
PhysioNet 数据集登记	Pierre Elias, Joshua Finer（2 人）
NEJM AI Mini 论文	Hughes 等 10 人
Nature 主论文	Poterucha 等 40+ 人（跨 Columbia/NYP/UCSF/Cedars-Sinai/Montreal Heart Institute 等）

不同层面作者数差异大，引用时须分清"数据集登记作者"“Mini 论文作者”“主论文作者”。

遗留疑点

1. 许可未实核：PhysioNet License 段为动态渲染，自动化抓取未确认确切许可名与再分发/商用条款（curl 被沙箱拦截，WebFetch 未提取该段）。
2. 文件体量未实核：各 .npy 与总数据量（应为数 GB 级）未获具体字节数。
3. Mini 基线细分指标未获取：NEJM AI 页面的逐项 AUROC/敏感度/特异度未获得（页面 WebFetch 返回空，未重试）。
4. split 样本数拆分未获取：train/val/test/no_split 各组的样本条数未在抓取文本给出。

---

事实清单（硬事实 30 条）

1. 官方英文全名：EchoNext: A Dataset for Detecting Echocardiogram-Confirmed Structural Heart Disease from ECGs。
2. 平台：PhysioNet，v1.1.1，DOI 10.13026/7cfw-d091，RRID:SCR_007345。
3. 规模：100,000 条 12 导联 ECG。
4. 机构：Columbia University Irving Medical Center（含 Columbia、Allen 医院）。
5. 人群：成人 ≥18 岁，ECG 与经胸超声心动图间隔 1 年内的配对。
6. 时间跨度：2008-2022 年。
7. 波形采样：250 Hz，全 12 导联，10 秒。
8. 波形张量形状：N×1×2500×12。
9. 表格特征形状：N×7（sex/ventricular_rate/atrial_rate/pr_interval/qrs_duration/qt_corrected/age_at_ecg）。
10. 波形预处理：逐导联中值滤波 → 0.1/99.9 百分位裁剪 → 全数据集标准化。
11. 表格预处理：连续特征标准化；缺失中位数填充（atrial_rate/pr_interval 置 0）；sex 二值化。
12. 标签：shd_moderate_or_greater_flag（≥中等严重度 SHD 复合二元标签）。
13. 标签六类构成：LVEF 降低、心室壁增厚、显著瓣膜病、右室功能不全、肺动脉高压、心包积液。
14. 超声衍生特征：aortic_stenosis/regurgitation、mitral/tricuspid/pulmonary regurgitation、rv_systolic_function、pericardial_effusion、ivs_measurement、lvpw_measurement、pasp_value、tr_max_velocity_value、lvef_value。
15. 元数据人口学字段：patient_key、acquisition_year、location_setting、race_ethnicity、most_recent_ecg。
16. location_setting 取值：inpatient / emergency / outpatient / procedural。
17. race_ethnicity 取值：hispanic / white / black / asian / other / unknown。
18. split 划分：train / val / test / no_split。
19. val/test 仅保留每位患者最新一条 ECG；train 可含同一患者多条。
20. 去标识：随机替代键、移除姓名与完整日期、仅保留年份、年龄封顶 90 岁、无日期偏移。
21. 数据来源系统：GE MUSE 心电管理系统。
22. 对齐约束：NumPy 数组行序与元数据 CSV 行序严格一致。
23. Nature 主论文：doi:10.1038/s41586-025-09227-0，2025-07-16 在线，开放获取。
24. Nature 训练规模：>1,000,000 条配对记录、230,000 名患者。
25. Nature 受控评估：EchoNext 77.3% vs 专家无 AI 64.0% / 有 AI 69.2%。
26. Nature 前瞻试验：近 85,000 名患者，约 9% 判高风险，随访确诊率约 75%。
27. NEJM AI 数据集论文：doi:10.1056/AIdbp2500516，2026-04-16。
28. 配套模型：Columbia Mini-Model；代码 GitHub PierreElias/IntroECG 第 7 节，含 dockerized 推理。
29. 专利：Columbia University 申请号 #63/555,968（发明人含 TJP、LJ、CMH、PE）。
30. 版本链：v1.1.1（2026-04-20 条目，更新引文）← v1.1.0（2025-09-15，加 location_setting/race_ethnicity/most_recent_ecg 三字段）。

---

术语表

术语	释义
SHD（structural heart disease）	结构性心脏病：瓣膜、心室壁、心腔结构异常类心脏病总称
ECG（electrocardiogram）	心电图：记录心脏电活动的检查，12 导联为标准临床配置
12 导联	临床标准心电图配置，6 肢体导联 + 6 胸前导联
250 Hz	波形采样频率，每导联每秒 250 个采样点
波形张量	NumPy 形状 N×1×2500×12，对应 N 条 10 秒 12 导联 ECG
超声心动图（echocardiography）	心脏结构成像金标准，本数据集标签的来源
LVEF	左室射血分数，心功能核心指标（%）
PASP	肺动脉收缩压（mmHg），肺动脉高压的估测指标
IVS / LVPW	室间隔 / 左室后壁厚度（cm），心室壁增厚的量化
TR max velocity	三尖瓣反流最大流速（m/s），用于估测肺动脉压
心包积液	心包腔内液体积聚，可由心包积液字段分级
复合二元标签	多病种阈值聚合的单一 0/1 标签（本数据集的 SHD 标签）
筛查 vs 诊断	screening 挑可疑人群转诊，diagnosis 确认/排除疾病
AUROC	受试者工作特征曲线下面积，二分类常用判别指标
dat-forced split	train/val/test/no_split 的数据划分
most_recent_ecg	标识该 ECG 是否为患者最近一次，定义 val/test 抽样口径
跨模态弱监督	用一种模态（超声）的结论监督另一模态（ECG）模型
de-identification	去标识：移除可识别个人的信息
年龄封顶	将 >90 岁患者年龄统一记为 90，隐私保护常规
Columbia Mini-Model	本数据集配套的轻量级 SHD 检测模型
IntroECG	Columbia 团队开源的 12 导联 ECG 深度学习全流程库
GE MUSE	GE 心电管理系统，本数据集波形的提取来源
NYP	NewYork-Presbyterian，纽约长老会医院

---

附录

附录 A：条目信息速查卡

项	值
条目名	EchoNext
url_name	echonext
类型	数据集（ECG 波形 + 超声确认 SHD 标签）
平台	PhysioNet v1.1.1
DOI	10.13026/7cfw-d091
团队	Columbia University Irving Medical Center（通讯 Pierre Elias）
规模	100,000 条 12 导联 ECG
模态	生理信号（ECG 波形）
任务	结构性心脏病（SHD）二元筛查
主论文	Nature 2025（doi:10.1038/s41586-025-09227-0）
抓取时点	2026-10-10
库内互链	echonet-dynamic(526)/echonet-lvh(530)/echonet-pediatric(771)/echorisk(921)——均非同一数据集

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	PhysioNet 权威平台 + 高知名度（Nature 主论文）+ 明确 DOI 与 RRID；但名字与 EchoNet 易混，检索有一定歧义
A 可获取性	8	PhysioNet 公开内容页可直达，数据+模型权重+代码齐备；扣分在许可条款未实核、需人工确认
I 可互操作	8	CSV/NumPy 标准格式，PyTorch 管线友好；波形已预处理，跨框架迁移需注意形状与归一化口径
M 元数据质量	9	元数据字段极完备（人口学+ECG 特征+12 项超声衍生特征+标签+split），分层字段支持公平性研究
S 可持续性	8	依托 PhysioNet 长期平台 + GitHub 代码托管 + 团队持续更新（v1.1.0/1.1.1）+ 前瞻临床试验推进
综合评级	8.2/10（优）	公开平台、大规模、跨模态标签、配套模型与代码、顶级临床验证齐备；主要缺口是许可未实核与 Mini 细分指标未获取

附录 C：逐项证据链自证

关键数字	来源	位置
100,000 条 ECG	PhysioNet 内容页 Abstract	https://physionet.org/content/echonext/
250 Hz / 10 秒 / N×1×2500×12	PhysioNet Data Description（Waveform Features）	同上
N×7 表格特征	PhysioNet Data Description（Tabular Features）	同上
2008-2022 / ≥18 岁 / 1 年间隔	PhysioNet Methods	同上
年龄封顶 90 / 无日期偏移	PhysioNet Methods	同上
shd_moderate_or_greater_flag 六类构成	PhysioNet Abstract + Data Description	同上
DOI 10.13026/7cfw-d091 / v1.1.1	PhysioNet 引用块与页头	同上
专利号 #63/555,968	PhysioNet Conflicts of Interest	同上
>100 万条 / 23 万患者	Nature 主论文摘要	doi:10.1038/s41586-025-09227-0
77.3% / 64.0% / 69.2%	Nature 主论文 + 中文文献述评	同上
约 9% 高风险 / 约 75% 确诊率	NYP 新闻稿	nyp.org/advances
NEJM AI 数据集论文	IntroECG GitHub README 引用块	github.com/PierreElias/IntroECG
IntroECG 第 7 节 Mini 推理	GitHub README §7	同上
版本链 v1.1.1/v1.1.0	PhysioNet Release Notes	https://physionet.org/content/echonext/

附录 D：与 EchoNet 系列逐项对照（防混链）

对照项	EchoNext（本条）	EchoNet-Dynamic(526)	EchoNet-LVH(530)	EchoNet-Pediatric(771)	EchoRisk(921)
团队	Columbia	Stanford	Stanford 系	Stanford 系	多中心
输入模态	12 导联 ECG 波形	超声心动视频	超声影像	儿科超声视频	超声心动图
输出任务	SHD 筛查	心功能/EF 评估	LVH 表型	儿科超声分析	心脏毒性纵向
数据类型	信号	影像/视频	影像	影像/视频	影像
与本条关系	—	无（不同团队/模态）	无	无	无

结论：库内 4 个 “Echo” 条目无一与 EchoNext 同源。混链会误导检索者，务必按"输入模态"判别。

附录 E：建议互链点（供千方病案库内图谱）

互链目标	rid	互链理由
EchoNet-Dynamic	526	同属心血管，作"超声影像路径"对照（辨析坑 1）
EchoNet-LVH	530	同上，LVH 是 SHD 谱系一员，可对照"影像 vs 信号"两条路径
EchoNet-Pediatric	771	同上，儿科视角
EchoRisk	921	同上，超声心动图纵向数据
MIMIC-IV-ECG	库内	同赛道 ECG 波形数据集，规模/标签对照
CODE-15%	库内	同赛道跨人群 ECG 波形数据集
physionet-cinc-2017	库内	同平台 PhysioNet ECG 基准，历史脉络

扩展 FAQ（续 24 问，与上文 16 问合计 40 问）

D. 深度技术

Q17：为什么波形要按全数据集均值/标准差归一化，而不是逐条归一化？
逐条归一化会抹掉"绝对幅值"信息（如高电压提示肥厚），全数据集归一化保留了跨样本的幅值可比性——这对判读左室肥厚等依赖电压的模式很重要。代价是训练/推理必须用同一套均值标准差，且新数据的分布漂移会更明显。

Q18：表格特征里为什么要包含 age_at_ecg？
年龄是 SHD 的最强先验之一（老年人群结构病患病率显著高）。把年龄作为输入，模型可学习"年龄调整后"的 ECG 模式，避免把年龄效应误当病理信号。

Q19：为什么 atrial_rate 和 pr_interval 缺失填 0，而其他特征填中位数？
临床语义不同：atrial_rate=0 与 pr_interval=0 在 ECG 里通常意味着"未测到/无法测量"（如房颤时 P 波缺失），填 0 比填中位数更能表达"这一特征不可用"；而心率、QRS 等几乎总能测到，缺失更可能是技术性问题，中位数填充更合理。

Q20：数据集给的是 10 秒单段还是多段？
单段 10 秒、12 导联（N×1×2500×12 中的 1 是该维度）。没有提供多段拼接或长时程记录。

Q21：能不能只用心电波形、不用表格特征？
可以。表格特征是可选的增强输入——纯波形建模（尤其纯深度学习）是常见做法；但若你的模型较弱，加上 7 维表格特征往往带来稳定增益。

Q22：标签里的"超声确认"具体是强监督还是弱监督？
是"影像结论监督信号模型"的跨模态监督——标签本身来自超声（可信度高），但输入与标签之间是间接映射（ECG 与结构病的电-结构关系），因此更接近"跨模态弱监督/间接监督"而非"强配对监督"。

Q23：no_split 是什么、为什么要保留？
no_split 表示该 ECG 既不训练也不验证/测试（可能因标签质量、重复性或划分策略被排除）。保留它们是为了透明（你能看到全量 10 万条）与灵活（研究者可自行重新划分）。

Q24：为什么 val/test 只用每位患者最新一条 ECG？
避免"同一患者多条 ECG 横跨 train 与 test"造成的信息泄漏——用最新一条作为该患者在该 split 的代表，减少患者级泄漏。这是评估严谨性的体现。

E. 临床与伦理

Q25：这东西会让我少做超声吗？
不该这样用。EchoNext 是筛查闸门，不是超声替代品。若你直接跳过超声、只信模型，会漏掉假阴性——假阴性在筛查场景的代价可能很高。

Q26：模型的假阳性和假阴性各意味着什么？
假阳性：健康人被提示去做超声（增加检查负担，但通常无害）；假阴性：有结构病的人被漏筛（可能延误治疗，代价高）。因此筛查场景通常偏向高敏感度。

Q27：数据去标识做得够吗？
页面声明移除姓名与完整日期、仅留年份、年龄封顶 90、无日期偏移。这是较标准的去标识，但"无日期偏移"意味着采集年份保留真实值——对极少数罕见病例，年份+其他信息的组合仍有理论重识别风险（这也是很多数据集选择日期偏移的原因）。

Q28：种族/族裔字段的语义？
合并了种族与族裔（如 hispanic、white、black、asian 等），用于公平性分层评测。它反映的是数据来源人群的构成，不构成任何生物学本质主张。

Q29：专利会不会限制我用这个数据集？
专利申请针对的是 EchoNext 算法（#63/555,968），数据集本身的可用性取决于 PhysioNet 的许可条款。算法专利与数据许可是两件事——但都不在本条目实核范围内，商用前须法律与许可双重确认（坑 7）。

Q30：模型只对成年人有效吗？
本数据集为成人（≥18 岁）。儿科结构性心脏病（如先天性）另属 EchoNet-Pediatric（库内 771）等数据集的领域。

F. 工程与复现

Q31：怎么快速验证我加载对了？
三步：① 断言长度一致（meta/waveforms/tabular 行数相同）；② 抽一条，检查波形形状 (2500,12) 且数值在合理范围（标准化后均值≈0）；③ 用 split 列抽检一条记录的标签与波形是否符合预期（如明显低血压/心衰样本更可能阳性）。

Q32：官方 dockerized 推理怎么用？
见 GitHub PierreElias/IntroECG 第 7 节 README，提供从 EchoNext_Validation 出发的容器化推理；复现官方基线优先走这条路径，避免自搭网络引入的口径差异。

Q33：能把这个数据集和 MIMIC-IV-ECG 混合训练吗？
技术上可以，但要注意：两库的采样率、导联定义、预处理口径、标签体系都不同；混合前需统一到相同的波形表示与标签语义，且跨库标签（MIMIC 的 ECG 诊断 vs EchoNext 的 SHD）不可直接相加。

Q34：为什么数据里没有原始 GE MUSE 文件？
隐私与可用性权衡：原始文件可能含去标识不彻底的风险，且格式专有；转为标准化 NumPy 张量更适合研究共享。代价是丢失了"未处理信号"层。

Q35：评测时需要做交叉验证吗？
官方给了固定 split，直接照用即可。若你数据量吃紧或想报告更稳的估计，可做分层的 k-fold，但必须按 patient_key 分组，避免同患者跨折泄漏（坑 6）。

Q36：如果我只关心左室肥厚（LVH）？
别用复合标签——直接用 ivs_measurement 与 lvpw_measurement 字段设阈值构造 LVH 标签，可复现性更好。库内 EchoNet-LVH（530）虽也做 LVH，但那是超声影像路径，与本条目的信号路径互补。

Q37：这个数据集的更新频率如何？
从版本链看（v1.1.0 2025-09、v1.1.1 2026-04），约半年一次小版本更新。关注 PhysioNet 页面 Release Notes 可跟踪。

Q38：能不能用它发表 SHD 检测模型论文？
可以，且应引三篇（PhysioNet 数据 + Nature 背景 + NEJM AI 基线）并注明你用的是哪套口径。注意区分你的结果与官方 Mini 基线、与 Nature 大模型的差异。

Q39：数据集支持多标签预测吗？
数据集提供了多个超声衍生字段（可构造多标签），但官方发布的只有一个复合二元标签 shd_moderate_or_greater_flag。多标签需你自行从细分字段构造。

Q40：如果我只记一件事？
EchoNext = 用 12 导联 ECG 筛查结构性心脏病的 Columbia 数据集；输入是电信号（不是超声图像），标签来自超声；10 万条是公开子集（非 100 万全量）；性能数字分清 Nature 大模型与 Mini 基线两套口径。别和 EchoNet 系列（526/530/771）搞混。

---

结语

EchoNext 的意义可以浓缩为一句临床愿景——正如团队所言："你无法治疗一个你根本不知道存在的病人（You can’t treat the patient you don’t know about）。"这个数据集把全球每年约 4 亿份常规心电图变成了 4 亿次结构性心脏病筛查的机会：它不追求取代超声这样的金标准，而是让便宜、普及的电信号成为精准导流的闸门。

对 AI-Ready 数据资源的使用者而言，EchoNext 提供了一个近乎完整的正面样本：大规模配对数据 + 清晰的任务定义 + 完备的元数据 + 可复现的代码与权重 + 顶级期刊的临床证据。唯一的显著缺口是许可条款的透明度——这也提醒所有数据使用者：数据"能否获取"与"能否合规使用"永远是两个需要分别核实的维度。

最终提示：检索与引用时请牢记本条的三个关键词——ECG（不是超声）、10 万条（不是 100 万）、Columbia（不是 Stanford）。记住这三点，就能避开与 EchoNet 系列混淆的所有主要陷阱。

附录 F：三步检索速查

目标	操作	预期结果
找数据本体	打开 https://physionet.org/content/echonext/	PhysioNet v1.1.1 内容页，DOI 10.13026/7cfw-d091
找模型与代码	GitHub PierreElias/IntroECG 第 7 节	EchoNext Minimodel 权重与 dockerized 推理
找临床背景	检索 Nature doi:10.1038/s41586-025-09227-0	大模型论文与性能数据
找数据集说明	检索 NEJM AI doi:10.1056/AIdbp2500516	EchoNext-Mini 数据集论文
找新闻背景	检索 “EchoNext NewYork-Presbyterian”	NYP 新闻稿与临床影响估算
避免误检	不要用裸 “EchoNet” 检索	会命中 Stanford 超声系列的无关条目

附录 G：BibTeX 与引用模板

@dataset{echonext2026,
  author    = {Elias, Pierre and Finer, Joshua},
  title     = {EchoNext: A Dataset for Detecting Echocardiogram-Confirmed Structural Heart Disease from ECGs},
  year      = {2026},
  version   = {1.1.1},
  publisher = {PhysioNet},
  doi       = {10.13026/7cfw-d091},
  url       = {https://physionet.org/content/echonext/}
}

@article{poterucha2025echonext,
  author  = {Poterucha, Timothy J. and Jing, Linyuan and others},
  title   = {Detecting structural heart disease from electrocardiograms using AI},
  journal = {Nature},
  year    = {2025},
  doi     = {10.1038/s41586-025-09227-0}
}

@article{hughes2026echonextmini,
  author  = {Hughes, J. Weston and Jing, Linyuan and Finer, Joshua and others},
  title   = {EchoNext-Mini: A Dataset and Baseline AI Model for Detecting Structural Heart Disease from Electrocardiograms},
  journal = {NEJM AI},
  year    = {2026},
  doi     = {10.1056/AIdbp2500516}
}

引用纪律：数据用第一条；大模型性能用第二条；Mini 基线用第三条。三条对应三个可追溯对象，混引会让读者无法核对具体数字来源。

附录 H：给数据使用三原语的"最小合规检查清单"

在把 EchoNext 用进任何项目前，逐条打勾：

• [ ] 已人工打开 PhysioNet 页面，阅读并记录当前 License 段的具体条款；
• [ ] 已确认使用场景（研究/商用/再分发）落在许可允许范围内；
• [ ] 已核对模型权重（GitHub）的单独许可，与数据集许可分别对待；
• [ ] 已注意 Columbia 算法专利申请（#63/555,968）与自身应用的潜在关系；
• [ ] 已在加载时断言三者行序对齐（§2.5 / 坑 5）；
• [ ] 已按 patient_key 核验跨 split 患者重叠（坑 6）；
• [ ] 已分清本数据集基线与 Nature 大模型两套性能口径（坑 3）；
• [ ] 已引用正确的三篇文献并注明各自贡献（附录 G）。

八条全绿，才算"数据能用对、且用得合规"。

附录 I：本条目使用的来源清单（三源互证）

类别	来源	用途
一手数据源	PhysioNet 内容页 https://physionet.org/content/echonext/	数据集全名、规模、字段、版本、专利、引用格式
一手论文	Nature doi:10.1038/s41586-025-09227-0	大模型训练规模与性能
一手论文	NEJM AI doi:10.1056/AIdbp2500516（经 IntroECG README 确认）	Mini 数据集/基线论文题名与出处
一手代码库	GitHub PierreElias/IntroECG	模型权重、推理路径、团队构成
二次来源	NewYork-Presbyterian 新闻稿	临床影响估算（约 9% 高风险、约 75% 确诊率、约 2,000 名额外诊断）
平台元数据	PhysioNet RRID:SCR_007345	平台与 DOI

互证结论：官方全名、100,000 条规模、250 Hz/12 导联、Columbia 机构、v1.1.1 与 DOI 10.13026/7cfw-d091 均在 PhysioNet 页与 GitHub/论文中一致，无冲突。版本日期与许可条款为存照/遗留疑点（见存照附录与 FACTS.md §9）。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• heartcycle — 共享标签：生理信号 / 心电信号 / 心血管疾病 / 多模态
• bigideaslab-step-hr-smartwatch — 共享标签：生理信号 / 心血管疾病 / 评测基准 / 多模态
• cardiowave-portable — 共享标签：生理信号 / 心电信号 / 心血管疾病 / 多模态
• code-test — 共享标签：生理信号 / 心电信号 / 心血管疾病 / 评测基准
• ecg-arrhythmia — 共享标签：生理信号 / 心电信号 / 心血管疾病 / 评测基准
• ecg-fragment-high-risk-label — 共享标签：生理信号 / 心电信号 / 心血管疾病 / 评测基准
• mimic-iv-ecg — 共享标签：生理信号 / 心电信号 / 心血管疾病 / 多模态
• cves — 共享标签：生理信号 / 心血管疾病 / 多模态
• mit-bih-afdb — 共享标签：生理信号 / 心电信号 / 心血管疾病 / 评测基准
• cinc-2021 — 共享标签：生理信号 / 心电信号 / 心血管疾病 / 评测基准

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。