일상 심전도 데이터를 활용한 광범위 심혈관 평가를 위한 신호 언어 기반 모델

A Signal-Language Foundation Model for Broad-Spectrum Cardiovascular Assessment from Routine Electrocardiography

심전도(ECG)는 심혈관 질환 진단에 매우 중요한 역할을 하지만, 기존의 인공지능 모델은 흔히 발생하는 부정맥에 국한되는 경우가 많으며, 다양한 인구 집단이나 미세한 임상적 질병으로 일반화하는 데 어려움이 있습니다. 본 연구에서는 ECG Contrastive Language-Image Pre-training (ECGCLIP)이라는 신호 언어 기반의 대조 학습 프레임워크를 개발하여, 심전도 파형과 전문가 진단 보고서를 연결했습니다. ECGCLIP은 1,324,856명의 환자로부터 수집된 2,837,962개의 심전도 데이터를 사용하여 사전 학습되었으며, 내부 테스트 세트와 약 150만 개의 심전도를 포함하는 9개의 독립적인 외부 데이터 세트를 사용하여 평가되었습니다. 평가는 PRAUC를 주요 지표로 사용하여 총 89가지의 하위 작업(45가지 ECG 진단, 39가지 심초음파 관련 목표, 5가지 희귀 심장 질환)을 다루었습니다. ECGCLIP은 무작위 초기화 및 Merl-R18 기준 모델보다 일관되게 성능이 향상되었습니다. 내부 테스트 세트에서 ECGCLIP-R34는 심방세동(PRAUC 0.900) 및 ST-segment 상승성 심근경색(PRAUC 0.383)에 대해 뛰어난 성능을 보였으며, 모든 외부 데이터 세트에 걸쳐 안정적인 일반화 능력을 보여주었습니다. 또한 에브스타인 이상, 협착성 심낭염, 우반심증 및 심장 아밀로이드증과 같은 낮은 발생률의 질병 및 진단이 어려운 질환에 대해서도 내부 PRAUC 값이 각각 0.253, 0.175, 0.121 및 0.201로 향상되었습니다. ECGCLIP은 데이터 효율성이 뛰어나서 전체 데이터 세트 기준 성능과 동등하거나 더 나은 결과를 훈련 데이터의 10%만으로 달성했습니다. 특징 시각화 및 중요도 분석 결과, 임상적으로 의미 있는 표현이 확립된 심전도 기준으로 잘 정렬되어 있음을 확인했습니다. 이러한 결과는 대규모 ECG-보고서 기반의 대조 학습 사전 훈련을 통해 일상적인 심전도 해석 범위를 흔한 부정맥에서 벗어나 광범위한 심혈관 평가 및 심초음파 검사 및 희귀 질환에 대한 기회적 스크리닝으로 확장할 수 있음을 시사합니다.

Electrocardiography (ECG) is central to cardiovascular care, but conventional AI models are often restricted to common arrhythmias and may generalize poorly across populations or clinically subtle diseases. We developed ECG Contrastive Language-Image Pre-training (ECGCLIP), a signal-language contrastive learning framework that aligns ECG waveforms with expert diagnostic reports. ECGCLIP was pre-trained on 2,837,962 ECG studies from 1,324,856 patients and evaluated on a held-out internal test set plus nine independent external cohorts comprising about 1.5 million ECGs. Evaluation covered 89 downstream tasks, including 45 ECG diagnoses, 39 echocardiographic targets, and 5 rare cardiac diseases, using PRAUC as the primary metric. ECGCLIP consistently improved performance over random initialization and Merl-R18 baselines. On the internal test set, ECGCLIP-R34 achieved strong performance for atrial fibrillation (PRAUC 0.900) and ST-segment elevation myocardial infarction (PRAUC 0.383), with robust generalization across all external cohorts. It also improved low-prevalence and diagnostically elusive diseases, including Ebstein anomaly, constrictive pericarditis, dextrocardia, and cardiac amyloidosis, with internal PRAUC values of 0.253, 0.175, 0.121, and 0.201, respectively. ECGCLIP was data efficient, matching or exceeding full-dataset baseline performance with only 10% of training data. Feature visualization and saliency analysis suggested clinically meaningful representations aligned with established electrocardiographic criteria. These findings indicate that large-scale ECG-report contrastive pre-training can expand routine ECG interpretation beyond common arrhythmias toward broad cardiovascular assessment and opportunistic screening of echocardiographic and rare conditions.