Dynamical Predictive Modelling of Cardiovascular Disease Progression Post-Myocardial Infarction via ECG-Trained Artificial Intelligence Model

📄 arXiv: 2605.13568v1 📥 PDF

作者: Riccardo Cavarra, Lupo Lovatelli, Shaheim Ogbomo-Harmitt, Shahid Aziz, Adelaide De Vecchi, Andrew King, Oleg Aslanidi

分类: cs.LG, cs.AI

发布日期: 2026-05-13

备注: submitted to the 9th International Conference on Computational and Mathematical Biomedical Engineering, 4 pages, 1 figure, 1 table

DOI: 10.13140/RG.2.2.29492.21124

💡 一句话要点

提出基于心电图（ECG）训练的AI模型，用于心肌梗死后心血管疾病的动态预测。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 心肌梗死 心电图 深度学习 对比学习 多任务学习 预训练模型 风险预测

📋 核心要点

  1. 心肌梗死（MI）后不良后果预测至关重要，但现有基于ECG的深度学习模型受限于医学领域带标签数据稀缺。
  2. 该论文提出一种预训练AI模型，利用对比学习结合患者特异性时间信息，并结合监督多任务头进行微调，从而提升预测性能。
  3. 实验结果表明，该模型在有限数据下优于从头训练的模型（AUC从0.608提升至0.794），验证了临床结构化ECG建模的有效性。

📝 摘要（中文）

心肌梗死（MI）是导致死亡的主要原因，预测其不良后果迫在眉睫。然而，基于心电图的预测模型效果不佳，因为深度学习需要大量带标签的数据集，而医学领域此类数据稀缺。预训练模型可以通过自监督从无标签心电图中学习，但医学相关的训练策略仍未得到充分探索。本文提出了一种预训练人工智能模型，该模型结合了使用对比学习的患者特定时间信息与监督多任务头，然后在心肌梗死后结果预测上进行微调。所提出的模型优于从头开始训练的模型（AUC分别为0.794和0.608），表明临床结构化的心电图建模可以改善有限数据情况下的分类。

🔬 方法详解

问题定义：该论文旨在解决心肌梗死（MI）后心血管疾病进展的动态预测问题。现有基于心电图（ECG）的预测模型，特别是深度学习模型，由于医学领域中高质量、带标签的心电图数据稀缺而表现不佳。这限制了深度学习在临床上的应用，使得准确预测MI后的不良后果成为一个挑战。

核心思路：论文的核心思路是利用自监督学习从大量无标签心电图数据中学习通用的心电图表示，然后通过微调将这些表示迁移到MI后结果预测任务上。通过结合对比学习来捕捉患者特定的时间信息，并使用多任务学习来同时预测多个相关的心血管疾病结果，从而提高模型的预测性能和泛化能力。

技术框架：该模型包含预训练和微调两个阶段。在预训练阶段，模型使用对比学习从无标签心电图数据中学习心电图表示。具体来说，模型将同一患者在不同时间点的心电图视为正样本对，不同患者的心电图视为负样本对，通过最大化正样本对之间的相似性并最小化负样本对之间的相似性来学习心电图表示。在微调阶段，模型使用带标签的心肌梗死后数据进行微调，以预测心血管疾病的进展。微调阶段使用多任务学习，同时预测多个相关的心血管疾病结果。

关键创新：该论文的关键创新在于将对比学习和多任务学习相结合，用于心肌梗死后心血管疾病进展的预测。对比学习能够有效地利用无标签数据学习心电图表示，多任务学习能够提高模型的预测性能和泛化能力。此外，该模型还考虑了患者特定的时间信息，这对于预测心血管疾病的进展至关重要。

关键设计：在对比学习中，使用了InfoNCE损失函数来最大化正样本对之间的相似性并最小化负样本对之间的相似性。在多任务学习中，使用了加权交叉熵损失函数来平衡不同任务之间的重要性。网络结构方面，使用了ResNet作为心电图特征提取器，并使用Transformer来捕捉时间信息。具体参数设置未知。

📊 实验亮点

实验结果表明，该模型在心肌梗死后结果预测任务上优于从头开始训练的模型，AUC从0.608提升至0.794，显著提高了预测准确性。这表明，通过临床结构化的心电图建模，可以有效改善有限数据情况下的分类性能。该模型在有限数据下表现出强大的竞争力，验证了预训练和微调策略的有效性。

🎯 应用场景

该研究成果可应用于临床，辅助医生对心肌梗死患者进行风险评估和预后预测，从而制定个性化的治疗方案，降低患者的死亡率和致残率。此外，该模型还可以用于药物研发，评估新药对心血管疾病进展的影响。未来，该模型有望扩展到其他心血管疾病的预测和管理中。

📄 摘要（原文）

Myocardial infarction (MI) is a leading cause of death, and its adverse outcomes are urgent to predict. Yet ECG-based prognostic models underperform because deep learning requires large, labelled datasets, which are scarce in medicine. Foundation models can learn from unlabelled ECGs via selfsupervision, but medically relevant training strategies remain underexplored. We propose a pretrained artificial intelligence model that combines patient-specific temporal information using contrastive learning with supervised multitask heads, then fine-tunes on post-MI outcome prediction. The proposed model outperformed a model trained from scratch (0.794 vs 0.608 AUC) showing that clinically structured ECG modelling improves classification in limited data regimes.