手表单导联心电就能筛出13种心脏结构病：用超声报告当监督，外部1.6万人验证
核心概要
北京大学等团队把常规单导联心电与医生撰写的超声心动图报告对齐，训练出可同时识别13种细粒度心脏结构病的筛查框架AnyECG-Echo。此前同类模型多依赖12导联输入，或只在单一医疗系统内验证，且标签需逐病种人工标注。该框架在内部、时间与地理独立外部共25222例验证队列上，对左室收缩功能减低、全心增大、二尖瓣狭窄等高影响亚型取得较高AUROC，并在外部队列中保持可用判别力。
深度剖析
单导联心电波形现在可以直接给出13种心脏结构病的分病种概率，覆盖心肌、心腔、瓣膜与大血管四类病变。 此前的AI心电筛查模型大多针对12导联配置，与消费级可穿戴设备的单导联传感器不兼容；已有的单导联对比预训练工作只在单一医疗系统内验证，且只覆盖少数粗分类亚型。 验证分三层：北京大学人民医院内部测试集4078例、同一中心按2019年11月切分的时间验证集4523例，以及约140公里外天津医科大学第二医院的地理独立外部测试集16621例，合计25222例。
模型把医生撰写的超声报告当作监督信号，不再需要为每个病种单独人工标注。 常规监督学习路线依赖大规模、逐病种人工标注的数据集，成本高且诊断粒度粗。 单导联心电编码器先经心电与报告对齐的跨模态对比预训练，再叠加心电自身的自监督对比目标，最后冻结编码器、只训练一个线性分类头输出13个病种概率。
模型输出与超声定量指标存在单调对应关系，可当作连续的数字生物标志物使用。 二分类诊断标签只能给出有病或无病，无法反映结构损害的严重程度。 预测概率与左室射血分数呈负相关，与室间隔厚度和左室后壁厚度呈正相关，且按预测概率四分位分组后，超声测量值随分组单调变化。
启示与展望
已展示的范围是回顾性、多中心诊断准确性研究：开发与验证人群均为东亚裔，且都来自因临床需要被转诊做超声的患者，因此报告的AUROC描述的是这类转诊人群中的表现。模型面向的场景是院外、社区与基层的单导联心电机会性筛查，用于把患者按风险排序后转诊做超声。社区患病率下的每检出所需筛查数由文献患病率推算，尚未与真实社区筛查结果对照。
作者指出，监督信号依赖医生撰写报告的诊断一致性，对比学习虽能容忍部分噪声，但配对窗口正负10天内区间心脏变化带来的敏感性尚未做专门消融。性别数据在部分队列子集中缺失41.5%，可能限制性别偏倚分析的稳健性。单导联对心房病变的判别有限，可能因为P波形态比QRS波更细微；医院记录的Lead I只是可穿戴记录的代理，未覆盖运动伪影与信号质量波动。模型性能随年龄从50岁以下到75岁以上在多数类别上单调下降，作者归因于传导延迟与房颤等年龄相关电生理混杂因素。