心电图基座模型，用语言模型的路子训

心电图上真正有诊断价值的，是几个波形之间的关系。多数自监督方法把它当成一条普通序列，或者一张图。

一、发生了什么

QECGBERT 的切入点是：既然心电图有明确的生理结构，就按结构切词。作者把每条 12 导联记录切成四类片段——P 波、QRS 波群、T 波、等电位基线，再用向量量化的自编码器把每段变成词元。

有一个细节值得注意：量化会丢形态，所以词元里额外拼上了连续的波形特征。这样保住了细节，又没有拉长序列长度。序列短，才能用紧凑的 BERT 式掩码语言建模，训练和推理成本都低于长序列方案。

预训练用了 MIMIC-IV 里超过 80 万份未标注心电图。微调和评测在三个公开标注集上：PTB-XL、CPSC2018，以及 Chapman-Shaoxing-Ningbo。

结果，作者的表述是「与已发表的基准相当或更优」。摘要没给具体数字——没有 F1、没有 AUROC，也没有分病种表现。

边界：80 万份是预训练规模，三个评测集的样本量摘要没写。更关键的是，「相当或更优」没有说明对比对象是谁、用什么划分、是否同一切分协议。这篇投的是 IEEE ICASSP 2027，属于投稿版本，结论还可能变。

补一点同主题背景。这是背景，不是论文结论：心电的公开标注集长期偏小，而且各数据集的采集设备、导联位置、人群分布都不一样，跨数据集掉分是常态。这也是医疗方向特别看重「大规模无标注预训练」的原因——能拿到的无标注信号，比能拿到的标注多出好几个数量级。

做医疗算法的：把领域结构编进分词器，比换更大的骨干网络便宜。这条路对脑电、肌电、心音同样成立。

医院信息科、器械厂商：模型的成本结构比准确率更早决定它能不能落地。短序列意味着更小的显存占用和更快的响应。

做罕见病筛查的：论文的动机就写在罕见病上——标注数据不够，监督学习走不通。自监督预训练是当下最现实的解法。

先确认数据能不能对齐到「波段」这一级。切不出稳定的 P 波、QRS 波群、T 波，这套分词无从谈起，得先解决信号质量和导联一致性。
走「大规模无标注预训练加小样本微调」。手上只有几千份标注时，直接监督训练大概率不如这条路。
验收必须分病种报。整体 AUROC 会被常见节律问题拉高，而罕见病恰恰是这套方法声称要解决的问题。分病种之后如果只有常见类涨，说明模型学到的还是人群统计，不是波形。

「80 万份数据就是护城河。」 数量是入场券。真正的差异在分词方式，以及量化之后怎么保住形态。

「相当或更优就等于更好。」 摘要没有数字，也没有列比较对象。投稿阶段的表述，等同行评议之后再看。

「基座模型的瓶颈是标注量。」 这篇的前提是标注贵、罕见病标注更贵，所以绕开标注。但绕开标注不等于绕开验证——评测集仍然是人工标的。

医疗基座的关键不是喂多少条记录，是按生理结构把一条记录切成有意义的词。

功能与价格以官方公告为准。本文写于 2026 年 10 月 27 日。