Zero-Shot ECG Classification with Multimodal Learning and Test-time Clinical Knowledge Enhancement

电心图（ECG）是临床实践中用于检测心律失常疾病的非侵入性诊断工具。虽然ECG自监督学习（eSSL）方法在从未注释的ECG数据中进行表示学习方面表现出了潜力，但它们经常忽略了可以在报告中找到的临床知识。这种疏忽和下游任务需要注释样本的要求限制了eSSL的多功能性。在这项工作中，我们通过多模态学习ECG记录和相关报告，提出了多模态ECG表示学习（MERL）框架来解决这些问题。通过使用文本提示进行零样本ECG分类，MERL能够在下游任务中消除对训练数据的需求。在测试时，我们提出了临床知识增强的提示工程（CKEPE）方法，利用大型语言模型（LLM）来利用外部专家验证的临床知识数据库，生成更具描述性的提示，并减少LLM生成内容的幻觉，从而提高零样本分类的性能。基于MERL，我们在六个公共ECG数据集上进行了第一次基准测试，显示出MERL相对于eSSL方法的卓越性能。值得注意的是，MERL在零样本分类（无训练数据）中实现了平均AUC得分为75.2％，比使用10％注释训练数据的线性探测eSSL方法平均高出3.2％，这在所有六个数据集中都是如此。

本论文旨在通过Multimodal ECG Representation Learning (MERL)框架，解决ECG自监督学习方法在表示学习方面存在的问题，同时提高零样本学习的效率。

MERL框架通过多模态学习，结合ECG记录和相关报告，实现了在没有训练数据的情况下，通过文本提示进行零样本ECG分类。在测试时，通过Clinical Knowledge Enhanced Prompt Engineering (CKEPE)方法，利用大型语言模型来生成更具描述性的提示，提高了零样本分类的性能。

论文基于MERL框架，在六个公共ECG数据集上进行了实验，相比于现有的ECG自监督学习方法，MERL在零样本分类方面表现更优。在所有数据集上，MERL的平均AUC得分为75.2％，比线性探测的eSSL方法高出3.2％，且无需使用训练数据。此外，论文提出的CKEPE方法可以提高零样本分类的性能。

相关研究主要集中在ECG分类和自监督学习方法。其中，ECG分类方面的研究包括：'ECG arrhythmia classification using a 2-D convolutional neural network'和'ECG arrhythmia classification using transfer learning from 2-D convolutional neural networks'等。而自监督学习方法方面的研究包括：'ECG self-supervised representation learning with global temporal correlation prediction'和'ECG self-supervised representation learning with attention-based instance discrimination'等。