IECG：弱监督可解释性增强的心电图基础模型

心电图是心脏诊断的基石，深度学习已在此证明实力：用91,232份单导联动态心电图训练的深度网络对12类心律的平均ROC AUC达0.97，F1分数0.837超过心脏病专家平均的0.780 ^[1]；标准10秒12导联、21类心律的多标签诊断模型也在由专家委员会共识标注的独立测试集上得到验证 ^[2]。基础模型进一步把这一范式推向规模化——在超100万份心电图上预测77种心脏状况的DeepECG ^[3]，基于10,771,552份心电图、150类标签的ECGFounder ^[4]，以及用150万份12导联心电图做混合自监督预训练、房颤AUROC达0.996的ECG-FM ^[6]。但可解释性始终拖后腿：AIRE的开发者明确指出，既有AI-ECG模型缺乏个体层面的可执行性、可解释性与生物学合理性，是其未能进入临床实践的原因之一 ^[5]。而要让模型“指认”异常波形，通常绕不开对异常区域的人工标注，这正是可解释ECG学习长期卡住的瓶颈。

这篇论文提出的IECG是一个弱监督的ECG基础模型，同时完成诊断分类与异常区域定位，且不需要人工标注异常区域。其核心是一套弱监督注意力策略：从既定的ECG临床知识出发推导异常热图伪标签，再通过KL散度损失引导模型的CLS token注意力，使其聚焦诊断相关的波形区域。预训练阶段联合优化三项目标——临床引导的注意力监督、ECG-文本对比对齐、报告描述生成；推理时显式聚合临床引导注意力区域的特征，让诊断预测落在可解释的波形证据上。作者报告，IECG在异常区域定位上达到state-of-the-art，同时保持强分类性能。

从领域脉络看，此前的基础模型主要把力气花在数据规模与预训练策略上 ^[3][4]，ECG-FM也只是把注意力显著性用作评估模型能力的手段 ^[6]；IECG则把注意力本身变成被临床先验监督的训练目标，将异常定位从依赖人工标注的任务转化为伪标签驱动的弱监督任务，并与多模态对齐、描述生成同场训练。分类输出与波形证据由此被绑定在同一个模型里，正面回应了^[5]指出的可解释性短板。

不过读者应保持审慎：这是一篇未经同行评议的arXiv预印本，摘要层面没有给出数据集规模、定位与分类的具体量化指标及对比基线，“state-of-the-art”的成立范围有待正文检验。伪标签派生自“既定临床知识”，其对少见波形异常的覆盖如何，定位证据能否经受前瞻性临床验证并真正转化为医生信任，仍是悬而未决的问题。