摘要
基础模型最近成为从大规模生物医学数据中学习可转移表示的强大范式，但现有的生理波形处理方法主要优化重建或预测目标，而未能明确保留临床上有意义的波形形态。心电图（ECG）和脉搏血氧（SpO2）波形通过其形态结构编码了丰富的心血管和血流动力学信息。
在这项工作中，我们介绍了MorphologyFM，这是一种多模态基础模型，使用形态学感知的自监督学习目标在MIMIC重症监护数据库中对配对的ECG和SpO2波形进行预训练。MorphologyFM结合了形态学引导的掩蔽、跨模态表示学习和对比潜在对齐，学习能够捕捉临床相关生理结构的表示，而无需手动注释。
我们在多个下游预测任务上评估MorphologyFM，包括心律失常分类、低氧血症预测、死亡率预测和住院时间估计，展示了其相较于代表性自监督学习方法（如掩蔽自编码器（MAE）、对比学习、Barlow Twins和联合嵌入预测架构（JEPA））的一致性改进。此外，我们表明联合建模ECG和SpO2波形产生的可转移表示优于单模态预训练。
我们的结果确立了波形形态作为自监督生理表示学习的强大归纳偏差，并将MorphologyFM引入作为一种用于持续生理监测的通用基础模型。
博主点评： MorphologyFM的提出为生理信号处理提供了新的思路，尤其是在无需手动标注的情况下，通过形态学特征提升了模型的表达能力。这一方法在多种临床任务中的应用潜力值得关注，未来可能推动医疗监测技术的进步。