ترجمه فارسی مقاله ECG-FM: یک مدل پایه الکتروکاردیوگرام باز

چکیده

The electrocardiogram (ECG) is a ubiquitous diagnostic test. Conventional task-specific ECG analysis models require large numbers of expensive ECG annotations or associated labels to train. Transfer learning techniques have been shown to improve generalization and reduce reliance on labeled data. We present ECG-FM, an open foundation model for ECG analysis, and conduct a comprehensive study performed on a dataset of 1.66 million ECGs sourced from both publicly available and private institutional sources. ECG-FM adopts a transformer-based architecture and is pretrained on 2.5 million samples using ECG-specific augmentations and contrastive learning, as well as a continuous signal masking objective. Our transparent evaluation includes a diverse range of downstream tasks, where we predict ECG interpretation labels, reduced left ventricular ejection fraction, and abnormal cardiac troponin. Affirming ECG-FM’s effectiveness as a foundation model, we demonstrate how its command of contextual information results in strong performance, rich pretrained embeddings, and reliable interpretability. Due to a lack of open-weight practices, we highlight how ECG analysis is lagging behind other medical machine learning subfields in terms of foundation model adoption. Our code is available at https://github.com/bowang-lab/ECG-FM/.

چکیده به فارسی (ترجمه ماشینی)

الکتروکاردیوگرام (ECG) یک آزمایش تشخیصی همه جا است.مدل های تجزیه و تحلیل ECG خاص وظیفه معمولی به تعداد زیادی از حاشیه نویسی های گران قیمت ECG یا برچسب های مرتبط برای آموزش نیاز دارند.تکنیک های یادگیری انتقال برای بهبود تعمیم و کاهش اعتماد به داده های دارای برچسب نشان داده شده است.ما ECG-FM ، یک مدل بنیاد باز برای تجزیه و تحلیل ECG را ارائه می دهیم ، و یک مطالعه جامع انجام شده بر روی مجموعه داده های 1.66 میلیون ECG که از منابع نهادی در دسترس عمومی و خصوصی تهیه شده است ، انجام می شود.ECG-FM یک معماری مبتنی بر ترانسفورماتور را اتخاذ می کند و در 2.5 میلیون نمونه با استفاده از تقویت های خاص ECG و یادگیری متضاد ، و همچنین یک هدف ماسک زدن به سیگنال مداوم پیش بینی می شود.ارزیابی شفاف ما شامل طیف متنوعی از کارهای پایین دست است ، جایی که ما برچسب های تفسیر ECG ، کاهش کسر تخلیه بطن چپ و تروپونین قلبی غیر طبیعی را پیش بینی می کنیم.با تأیید اثربخشی ECG-FM به عنوان یک مدل پایه ، ما نشان می دهیم که چگونه فرمان آن از اطلاعات متنی منجر به عملکرد قوی ، تعبیه های غنی و تفسیر قابل اعتماد می شود.به دلیل عدم وجود شیوه های با وزن آزاد ، ما برجسته می کنیم که چگونه تجزیه و تحلیل ECG از نظر اتخاذ مدل پایه ، از سایر زیرمجموعه های یادگیری ماشین پزشکی عقب مانده است.کد ما در https://github.com/bowang-lab/ecg-fm/ در دسترس است.