利用 LLM 提取的临床实体实现可泛化的多模态 ECG 表征学习

基于摘要分析。该研究针对 ECG 监督学习依赖大规模标注的问题，提出利用 ECG 报告中临床实体的多模态监督预训练框架，以结构化心脏临床查询替代类别标签，与 ECG 信号融合，支持未见病症的零样本分类。主要研究对象是心脏诊断中的 ECG，并非 EEG 或 BCI。 核心机制是通过 LLM 从 ECG 报告中提取临床实体，再构建标准化查询，使信号表征与结构化临床语义建立联系。与直接使用类别标签不同，这一路径旨在提供可组合的语义监督。摘要未给出实体体系、查询构造规则、信号与文本的融合方式、损失函数及预训练规模，尚不能判断收益主要来自实体标准化、监督信息量还是训练目标。 作者报告，在六个下游数据集的零样本分类评估中，AUC 为 77.20%，并称相较先进自监督及多模态基线提升 4.98%；摘要未明确该提升是相对百分比还是百分点，也未说明 AUC 的聚合方式。数据集名称、未见病症的定义、预训练与下游数据的划分关系、基线配置、消融及统计信息尚未验证。因此，摘要支持将其视为结构化临床语义监督的研究线索，但不足以独立确认泛化优势的来源。 平台推测（待验证）：若 EEG 任务具有可配对的信号与可靠临床报告，实体提取和查询标准化模块可能可复用；信号编码器、实体词表及任务定义则需针对 EEG 改造。该假设依赖报告语义与信号目标一致，低信噪比、跨被试差异、通道变化及小样本报告偏差均可能削弱效果。可在固定跨被试划分和相同编码器下，比较类别标签、原始报告与结构化实体查询三种监督方式，并单独评估训练时未见类别，以检验实体结构化是否带来独立收益。已有 EEG 相关工作尚未检索确认。