《柳叶刀·数字健康》新成果：只喂十几份心电图，这个AI就学会了识别心脏病

如果告诉你，一个 AI 只需要看十几份某种疾病的确诊心电图，就能学会在未来识别这种病——这听起来像不像一个医学生天资聪颖的故事？但这正是 Scripps Research（斯克里普斯研究所）团队发表在《柳叶刀·数字健康》(The Lancet Digital Health) 上的新成果：一个名叫 ECG-CLIP 的心电基础模型，把"学心电图"这件事的标注成本，砍掉了九成。

成果"人话翻译"：让心电图AI告别"海量标注"

心电图 (ECG) 是心脏病诊断的第一道关口，全球每年有超过 3 亿份心电图被采集。但过去十年，训练一个心电 AI 有个让人头疼的前提——海量人工标注。检测心肌梗死要标一批，筛查心肌病又要标一批，每换一个病种或任务，就得重新标注一遍。

这种对"任务专用标签"的强依赖，带来两个现实麻烦：一是罕见病根本没那么多标注好的病例可用；二是换个设备、换家医院，模型性能就容易掉。ECG-CLIP 要解决的，正是这个"数据饥渴"问题。

原理拆解：把心电波形和医生报告"配对学习"

ECG-CLIP 的全称里藏着它的技术路线——CLIP 代表对比学习 (Contrastive Learning)。它的巧妙之处，在于不只盯着心电波形本身，而是把心电波形和医生亲手复核的诊断报告"配对"起来学习。

整个过程分两个阶段。第一阶段是"掩码心电重建"：让模型自己琢磨被遮住的心电信号该长什么样，先理解波形背后的生理学规律。第二阶段是"对比学习"：把波形和对应的医生报告拉到一起对齐，让模型学会把"这段波形"和"这句诊断"联系起来。

团队用了 Scripps Health 系统超过 170 万份 12 导联心电图、54.2 万名患者的数据（2008—2019 年）来训练，又在完全独立的 MIMIC-IV 数据库（超 80 万份心电图）上做外部验证。资深作者 Giorgio Quer 打了个比方："这很像临床医生的学习方式——不是从一百万个例子里死记硬背，而是先理解心电图背后的总体生理学，再看几个具体病例。"

数据说话：省九成标注，还能精准测心

ECG-CLIP 的成绩单，可以用一组数字概括：

• 标注效率：在心血管疾病检测任务上，平均减少约 90.8% 的人工标注训练数据，就能达到次优模型的同等水平 (AUC)
• 极低数据仍稳健：当某种病只有约 10 个阳性标签时，它依然优于其他心电基础模型——急性心梗检测 AUC 0.910（次优 0.884）、心脏淀粉样变 0.790、肥厚型心肌病 0.772、房颤预测 0.777
• 单导联也能用：仅用单导联心电图，也能较好检测前壁和下壁急性心梗
• 多任务通吃：除疾病检测外，还能预测房颤、急诊或术后 30 天生存、3 年内慢性肾病与 2 型糖尿病风险
• 可解释：生成显著性图 (saliency map)，标注出模型最看重的信号区域，让医生看清它"依据什么下判断"

临床意义：罕见病、单导联、可穿戴设备的新可能

这项研究最有想象力的地方，在于它放宽了心电 AI 落地的资源门槛。

对罕见病而言，"只需十几份确诊心电图"意味着过去因标注数据太少而无法建模的疾病，第一次有了被 AI 覆盖的可能。对基层和资源有限地区，单导联也能检测心梗，意味着不必依赖完整的 12 导联设备。而对可穿戴设备，这种数据高效、可解释的模型，为未来的连续远程心脏监测铺了路——手表上的一次异常，或许就能提前拉响警报。

局限与验证：为什么还需前瞻性临床试验

需要冷静的是，亮眼的数据并不等于临床的通行证。共同第一作者 Michael Ko 明确提醒：尽管这些结果展现了潜力，仍需通过前瞻性、多中心的临床试验严格验证，才能确定 ECG-CLIP 在真实临床环境中的适用性。

回看性数据上的高 AUC，与真实诊室里面对千变万化患者时的稳定表现，之间还隔着一道必须跨过的验证鸿沟。这既是这项研究的边界，也是所有医疗 AI 从"论文"走向"临床"共同的必经之路。

原文链接：News-Medical

---

千方医数集编辑部 出品