Electrocardiogram Instruction Tuning for Report Generation

心电图（ECG）是心脏状况监测的主要非侵入性诊断工具，对于协助临床医生至关重要。最近的研究集中在使用ECG数据对心脏状况进行分类，但忽视了ECG报告的生成，这不仅耗时，而且需要临床专业知识。为了自动化ECG报告的生成并确保其通用性，我们提出了多模态ECG指令调整（MEIT）框架，这是首次尝试使用LLMs和多模态指令解决ECG报告生成问题。为了促进未来的研究，我们建立了一个基准来评估MEIT在两个大规模ECG数据集上使用各种LLMs骨干的性能。我们的方法独特地对齐了ECG信号和报告的表示，并通过使用800,000多个ECG报告对MEIT进行了广泛的实验评估，使用了9个开源LLMs。MEIT的结果强调了指令调整的LLMs的卓越性能，展示了它们在生成高质量报告、零-shot能力和对信号扰动的韧性方面的熟练程度。这些发现强调了我们的MEIT框架的功效和在实际临床应用中的潜力。

论文旨在解决自动生成心电图报告的问题，以减轻医生的工作压力和提高报告的多样性和准确性。

论文提出了Multimodal ECG Instruction Tuning（MEIT）框架，利用LLMs和多模态指令来生成心电图报告，实现了信号和报告表示的对齐，展示了指令调整LLMs的优越性。

论文使用了两个大规模的心电图数据集来评估MEIT框架，并使用了九个开源LLMs进行了广泛的实验。实验结果表明，MEIT框架可以生成高质量的报告，具有零-shot能力和对信号扰动的鲁棒性。论文的贡献在于提出了一个新的自动生成心电图报告的框架，并为未来的研究提供了基准。

最近的相关研究主要集中在使用ECG数据分类心脏疾病，而忽略了ECG报告的生成。