一种心电信号预训练及零样本疾病辅助分类方法和系统
本发明涉及生物医学信号处理、心电信号分析、多模态表征学习和智能辅助诊断,特别涉及一种心电信号预训练及零样本疾病辅助分类方法和系统。
背景技术:
1、心电信号是反映心脏电生理活动的重要生理信号,广泛应用于心律失常、心肌缺血、传导异常、心室肥厚以及其他心血管疾病的筛查、辅助分类和风险评估。传统心电分析主要依赖医生对心电波形、节律变化、st段、t波、qrs波群以及导联间形态差异的人工判读。然而,心电信号具有时序性强、形态变化复杂、疾病类别多样等特点,在大规模筛查、基层医疗、动态监测和可穿戴采集场景下,仅依靠人工分析存在效率较低、主观差异较大和对专业经验依赖较强等问题。
2、随着深度学习技术的发展,基于神经网络的心电信号自动分析方法逐渐成为心电疾病辅助分类的重要技术路线。ebrahimi等人[ebrahimi z, loni m, daneshtalab m, etal. a review on deep learning methods for ecg arrhythmia classification[j].expert systems with applications: x, 2020, 7: 100033.]系统总结了深度学习方法在心电心律失常分类中的应用,指出卷积神经网络、循环神经网络以及混合网络能够从原始心电信号中自动学习具有判别性的时间模式和形态学特征。hannun等人[hannun a y,rajpurkar p, haghpanahi m, et al. cardiologist-level arrhythmia detection andclassification in ambulatory electrocardiograms using a deep neural network[j]. nature medicine, 2019, 25(1): 65-69.]利用大规模标注心电数据训练深度模型,实现了多类心律失常检测。上述方法在有充分标注数据的任务中取得了较好效果,但通常依赖大量高质量人工标注样本,当面对新增疾病类别、少样本类别或跨数据集场景时,模型泛化能力仍然受限。
3、为减少对人工标注的依赖,近年来自监督心电表征学习方法受到关注。eldele等人[eldele e, ragab m, chen z, et al. time-series representation learning viatemporal and contextual contrasting[j]. arxiv preprint arxiv:2106.14112,2021.]通过时间和上下文对比学习学习时序信号表征,使模型能够在较少标注数据下获得较好的迁移性能。随后,一些方法采用掩码建模、重建学习或局部—全局结构建模来学习心电信号中的时序模式和形态结构,例如st-mem相关方法[na y, park m, tae y, et al.guiding masked representation learning to capture spatio-temporalrelationship of electrocardiogram[j]. arxiv preprint arxiv:2402.09450, 2024.]通过掩码与重建方式建模心电信号的局部和全局信息。此类方法提高了心电表征的标签效率和迁移能力,但大多属于单模态心电预训练方法,主要学习心电信号自身的统计特征,缺少与临床文本、诊断报告和疾病语义之间的直接关联。
4、随着多模态预训练技术的发展,研究者开始将心电信号与临床文本报告进行联合建模,以获得更丰富的医学语义监督。merl相关研究[liu c, wan z, ouyang c, et al.zero-shot ecg classification with multimodal learning and test-time clinicalknowledge enhancement[j]. arxiv preprint arxiv:2403.06659, 2024.]将完整心电表征与临床报告表征映射到共享语义空间,使模型能够通过类别文本提示进行零样本心电疾病分类。melp相关研究[wang f, xu j, yu l. from token to rhythm: a multi-scaleapproach for ecg-language pretraining[j]. arxiv preprint arxiv:2506.21803,2025.]进一步从多时间尺度建模心电信号,并增强心电表征与文本报告表征之间的语义对齐能力。与传统单模态心电分类方法相比,心电-文本预训练方法能够利用临床报告中蕴含的诊断语义信息,并支持开放词表或零样本疾病辅助分类,在减少任务特定标注依赖方面具有优势。
5、然而,现有心电-文本预训练方法通常假设输入心电信号是完整且质量较好的。例如,标准十二导联心电信号在训练和推理时通常被视为完整观测输入,模型根据完整心电波形与文本报告之间的语义对应关系学习共享表征。在实际临床和移动健康应用中,心电信号经常是不完整的。具体而言,在可穿戴设备、动态心电监测、院前急救和基层医疗采集场景中,可能由于电极接触不良、导联脱落、运动伪迹、采集设备不稳定或瞬时噪声干扰,导致部分导联缺失、局部时间片段损坏或关键波形区域不可用。此时,模型仅基于完整心电信号学习到的心电-文本对齐关系可能发生偏移,从而影响疾病辅助分类结果的稳定性。
6、进一步地,不同心电信号缺失区域对分类结果的影响并不相同。随机缺失某些非关键片段时,模型可能仍然能够根据剩余信号维持原有语义判断;但当缺失部分包含主要诊断证据时,例如某些特定导联中的st段变化、qrs形态异常、节律片段或早搏相关波形区域,心电表征与文本语义之间的对齐关系可能会明显破坏,导致模型将不完整心电信号错误映射到其他疾病类别或正常类别。现有方法中常用的随机掩码、随机噪声增强或普通数据增强方式,可以在一定程度上提升模型鲁棒性,但它们通常没有显式建模“诊断关键证据缺失”这一更困难的情况,也没有引导模型在主要证据缺失后主动利用剩余的次要但仍有诊断价值的形态学线索进行语义补偿。
7、此外,现有零样本心电疾病分类方法通常通过构建疾病类别文本提示,将心电表征与各类别文本提示表征进行相似度匹配,从而获得疾病辅助分类结果。该方式能够减少对下游任务标注数据的依赖,但其效果高度依赖心电表征与文本提示表征之间的语义对齐质量。当输入心电信号存在导联缺失或时间片段损坏时,心电表征可能偏离完整心电信号对应的诊断语义,导致文本提示匹配结果不稳定。因此,仅依赖普通心电-文本对比学习和类别文本提示,难以保证不完整心电信号条件下的零样本辅助分类鲁棒性。
8、综上,现有技术至少存在如下不足:第一,传统有监督心电分类方法依赖大量标注样本,难以适应新增疾病类别和少样本疾病分类场景;第二,单模态心电自监督预训练方法虽然能够提升表征迁移能力,但缺少临床文本报告中的诊断语义监督;第三,现有心电-文本预训练方法主要关注完整心电信号与临床文本之间的语义对齐,未充分考虑导联缺失、时间片段缺失和局部信号损坏等不完整心电信号输入;第四,现有随机掩码或普通数据增强方法难以模拟诊断关键证据缺失场景,也缺少针对剩余可见心电片段的语义补偿机制;第五,现有基于文本提示的零样本心电疾病分类方法在不完整心电信号条件下容易出现语义漂移,导致疾病辅助分类结果稳定性不足。
9、因此,亟需一种心电信号预训练及零样本疾病辅助分类方法和系统,使模型能够在部分导联缺失、局部时间片段损坏或诊断关键心电标记不可用的情况下,仍然保持心电表征与临床文本语义之间的稳定对齐,并通过文本提示实现可靠的零样本疾病辅助分类。
技术实现思路
1、本发明提供了一种心电信号预训练及零样本疾病辅助分类方法和系统,以解决现有心电-文本预训练方法在导联缺失、时间片段损坏、局部信号污染或诊断关键证据缺失条件下,心电表征与文本语义对齐不稳定、零样本疾病辅助分类结果易发生偏移的问题。
2、为解决上述技术问题,本发明提供一种心电信号预训练及零样本疾病辅助分类方法,包括:
3、获取心电信号及与所述心电信号对应的临床文本报告;
4、对所述心电信号按照导联维度和时间维度进行划分,得到心电时空标记,并对所述临床文本报告进行文本编码,得到临床文本表征,每一个心电时空标记一一对应某个导联维度上的一段时间片段,或是一一对应该段时间片段提取后的特征表征;
5、在预训练阶段,通过可微对抗掩码模块从心电时空标记中选择并移除对心电-文本语义对齐影响较大的诊断关键心电标记,以模拟导联缺失、时间片段缺失或关键诊断证据不可用的不完整心电信号;
6、通过语义监督自适应选择模块对剩余可见心电标记进行重要性评估和加权聚合,利用次要但仍具有诊断价值的心电形态学线索补偿被移除的诊断关键心电标记,得到部分视图鲁棒心电表征;
7、基于部分视图鲁棒心电表征、完整心电表征和临床文本表征进行心电-文本语义对齐预训练,使部分视图鲁棒心电表征在不完整输入条件下仍保持与完整心电语义和文本报告语义的一致性;
8、在推理阶段,根据待分类疾病类别构建类别文本提示,将待分类心电信号对应的心电表征与各类别文本提示表征进行相似度匹配,输出零样本疾病辅助分类结果。
9、在一种实施方式中,所述可微对抗掩码模块在预设掩码比例约束下生成掩码结果,并优先移除对心电-文本语义对齐贡献较大的心电时空标记,从而使模型在训练过程中学习诊断关键心电标记缺失时的鲁棒表征。
10、在一种实施方式中,所述语义监督自适应选择模块根据剩余可见心电标记的诊断相关性生成权重,并对其进行加权聚合,使模型能够在主要诊断证据不可用时利用其他导联或其他时间片段中的补充形态学信息。
11、在一种实施方式中,所述心电-文本语义对齐预训练包括部分视图鲁棒心电表征与临床文本表征之间的对齐训练,以及部分视图鲁棒心电表征与完整心电表征之间的一致性训练。
12、本发明还提供一种心电信号预训练及零样本疾病辅助分类系统,包括:
13、数据获取模块,用于获取心电信号及与所述心电信号对应的临床文本报告;
14、心电时空标记化模块,用于按照导联维度和时间维度对心电信号进行划分,得到心电时空标记;
15、文本编码模块,用于对临床文本报告和类别文本提示进行编码,得到文本表征;
16、可微对抗掩码模块,用于移除对心电-文本语义对齐影响较大的诊断关键心电标记;
17、语义监督自适应选择模块,用于对剩余可见心电标记进行加权聚合,得到部分视图鲁棒心电表征;
18、心电-文本语义对齐预训练模块,用于基于部分视图鲁棒心电表征、完整心电表征和临床文本表征进行语义对齐预训练;
19、文本提示构建模块,用于根据待分类疾病类别构建类别文本提示;
20、零样本疾病辅助分类模块,用于计算待分类心电表征与各类别文本提示表征之间的相似度,并输出疾病辅助分类结果。
21、本发明提供的技术方案带来的有益效果如下:
22、(1) 本发明通过可微对抗掩码模块主动模拟诊断关键心电标记缺失场景,相比随机掩码方式,更有利于提升模型在困难不完整心电信号条件下的鲁棒性。
23、(2) 本发明通过语义监督自适应选择模块对剩余可见心电标记进行重加权,使模型能够利用次要但具有诊断价值的形态学线索补偿缺失信息。
24、(3) 本发明通过完整心电表征、部分心电表征和临床文本表征之间的语义一致性训练,降低不完整心电信号导致的语义漂移,提高心电-文本对齐稳定性。
25、(4) 本发明通过类别文本提示实现零样本疾病辅助分类,能够减少对下游疾病类别人工标注样本的依赖,提高模型对新增疾病类别或少样本疾病类别的适应能力。
26、(5) 本发明适用于导联缺失、时间片段缺失、局部信号污染和诊断关键心电标记不可用等不完整心电信号场景,有助于提高心电疾病辅助分类系统在真实采集环境中的稳定性和可靠性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com