上海交大团队研发“心电大模型”：面向全人群的自动心电图诊断系统
上海交大团队研发“心电大模型”：面向全人群的自动心电图诊断系统
心血管疾病是全球死亡的主要原因，心电图（ECG）作为重要的诊断工具，每年用于超过3亿人次的检测。然而，即便是经验丰富的心内科医生，解读复杂的心电图仍然耗时且容易出错。在偏远且医疗资源匮乏的地区，由于专业医生稀缺，提供准确诊断更为困难。
近日，上海交通大学刘成良教授团队在Cell Press细胞出版社期刊Cell Reports Medicine上发表了一项重要研究，提出了一种知识增强的心电诊断大模型（KED）。该模型在中国、美国和其他地区的所有年龄人群中，对心电图形态异常、节律异常、传导阻滞、房室肥大、心肌缺血和心肌梗死显示出了高精准度的诊断性能。
KED的技术创新
KED模型根据80万份患者的心电图进行训练，采用了知识增强策略，通过利用大型语言模型来整合心电信号的领域特定知识，从而提高模型的泛化能力和在各种场景中的稳定性。其模型架构由四个模块组成：心电信号编码器、医学知识编码器、标签查询网络和分类头。
此外，研究团队提出了一种新的对比学习算法——增强信号-文本-标签对比学习（AugCL），将医学文本知识整合到ECG信号学习中，以缓解标签的噪声问题。
优异的诊断性能
KED在包括中国、美国和其他地区的人群中表现出了优异的诊断性能。例如，在房颤诊断中，其受试者工作特征曲线下面积（AUC）达到0.994，灵敏度为0.949，特异性为0.975。在左束支传导阻滞的诊断中，AUC为0.972，灵敏度为0.904，特异性为0.994。这些数据表明，KED不仅诊断精度高，而且适用性广，不受地理、种族、年龄、性别或ECG采集设备差异的影响。
应用前景
目前，KED系统已为六万多人提供心电图快速监测和辅助诊断服务，并被广泛应用于交通运输、建筑、物业、矿业、企业工会、养老院、基层社区和医院等领域。这一研究成果为偏远和医疗资源不足地区的辅助医生诊断和早期快速精准筛查提供了重要支持。
未来展望
在医学大模型领域，未来可以从两个方向进一步推动研究：一是开发新一代融合多种模态的大模型架构，整合心电图、超声、CT、X光片、MRI等多种数据；二是发展个性化医疗健康大模型，为每个个体量身定制“云医生”，实现更精准的个性化医疗服务。
这项研究不仅展示了人工智能在医疗健康领域的巨大潜力，也为解决医疗资源不均衡问题提供了新的思路和解决方案。