跨模態對比學習應用於ECG與血管造影之嚴重狹窄分類

研究論文探討冠狀動脈狹窄的診斷挑戰，指出血管造影雖為標準方法，但具侵入性且耗時耗資源。心電圖（ECG）因快速、便宜、非侵入性，常規用於患者篩查，但缺乏可靠的狹窄特異信號，無法用於風險分層。為此，論文提出StenCE預訓練框架，結合跨模態對比學習技術，從ECG中學習血管造影相關的表示，以進行嚴重狹窄分類。評估實驗顯示，StenCE在不同ECG編碼器上均表現優異，超越現有方法，並首次實現基於ECG的高精度嚴重狹窄分類。源代碼已在GitHub公開，促進進一步研究與應用。