Echo2ECG: 다중 관점 심장 초음파 영상으로부터 얻은 심장 형태 정보를 활용한 심전도 표현 개선

Echo2ECG: Enhancing ECG Representations with Cardiac Morphology from Multi-View Echos

심전도(ECG)는 심방세동과 같은 전기적 이상을 진단하기 위해 널리 사용되는 저렴한 기술로, 심장의 전기적 활동을 측정합니다. 그러나 심전도는 좌심실 박출률(LVEF)과 같은 심장 형태학적 특징을 직접적으로 측정할 수 없으며, 일반적으로 심장 초음파(Echo)를 필요로 합니다. 심전도 데이터로부터 이러한 형태학적 특징을 예측하는 것은 조기 진단 및 접근성이 높은 건강 검진을 가능하게 합니다. 기존의 자기 지도 학습 방법은 심전도를 단일 관점 심장 초음파 영상에 맞춰 학습하는 과정에서 표현의 불일치 문제를 겪습니다. 이는 심장 초음파 영상이 국소적이고 공간적으로 제한된 해부학적 정보만을 담고 있기 때문입니다. 이러한 문제를 해결하기 위해, 우리는 다중 관점 심장 초음파 영상에서 얻은 심장의 형태 정보를 활용하여 심전도 표현을 풍부하게 하는 다중 모드 자기 지도 학습 프레임워크인 Echo2ECG를 제안합니다. 우리는 Echo2ECG를 심전도 특징 추출기로 활용하여, 근본적으로 형태학적 정보가 필요한 두 가지 임상적으로 중요한 작업에 대해 평가했습니다. (1) 세 개의 데이터 세트에서 다양한 심장 형태학적 특징을 분류하고, (2) 심전도 데이터를 사용하여 유사한 형태학적 특징을 가진 심장 초음파 연구를 검색하는 작업입니다. 우리의 추출된 심전도 표현은 두 가지 작업 모두에서 최첨단 단일 모드 및 다중 모드 기준 모델보다 일관되게 우수한 성능을 보였으며, 가장 큰 기준 모델보다 18배 작은 크기를 가집니다. 이러한 결과는 Echo2ECG가 강력하고 견고한 심전도 특징 추출기임을 보여줍니다. 우리의 코드는 https://github.com/michelleespranita/Echo2ECG 에서 확인할 수 있습니다.

Electrocardiography (ECG) is a low-cost, widely used modality for diagnosing electrical abnormalities like atrial fibrillation by capturing the heart's electrical activity. However, it cannot directly measure cardiac morphological phenotypes, such as left ventricular ejection fraction (LVEF), which typically require echocardiography (Echo). Predicting these phenotypes from ECG would enable early, accessible health screening. Existing self-supervised methods suffer from a representational mismatch by aligning ECGs to single-view Echos, which only capture local, spatially restricted anatomical snapshots. To address this, we propose Echo2ECG, a multimodal self-supervised learning framework that enriches ECG representations with the heart's morphological structure captured in multi-view Echos. We evaluate Echo2ECG as an ECG feature extractor on two clinically relevant tasks that fundamentally require morphological information: (1) classification of structural cardiac phenotypes across three datasets, and (2) retrieval of Echo studies with similar morphological characteristics using ECG queries. Our extracted ECG representations consistently outperform those of state-of-the-art unimodal and multimodal baselines across both tasks, despite being 18x smaller than the largest baseline. These results demonstrate that Echo2ECG is a robust, powerful ECG feature extractor. Our code is accessible at https://github.com/michelleespranita/Echo2ECG.