在心电图（ECG）心律失常诊断中，长尾标签分布降低了深度学习的可靠性，特别是对于临床重要但稀有的异常情况。现有的重平衡和逻辑调整方法主要关注类别频率，而忽视了ECG类别间的方向依赖性和形态变异性。本研究提出了角高斯监督对比学习（AG-SCL），用于长尾多标签ECG诊断。AG-SCL将三个组件整合到一个统一框架中：
- 角高斯对比分支，在单位归一化嵌入上建模全协方差类别不确定性；
- 自适应逻辑调整，学习有界的标签状态特定先验修正，而不是基于固定频率的边际；
- 尾部感知增强，生成保持形态的视图，同时保护7-25 Hz的QRS主导带。
该方法在公共PTB-XL基准和一个包含141名受试者1317小时录音的夜间ECG数据集上进行了评估。AG-SCL在这两个数据集上均取得了最佳的宏观性能。在PTB-XL上，获得了0.838的平衡准确率、0.709的敏感性、0.968的特异性、0.495的平均精确度和0.778的5%假阳性率下的真正率。在Noc-ECG上，相应的值为0.918、0.889、0.947、0.488和0.900。最大的增益发生在稀有或形态不稳定的节律类别，而消融研究确认了全协方差建模、自适应逻辑调整和尾部感知增强的贡献。AG-SCL通过结合先验校准与各向异性表示学习，改善了长尾ECG诊断，提高了对稀有心律失常的敏感性，同时保持临床相关的特异性。代码可在此获取：AG-SCL GitHub。
博主点评： 本研究通过引入角高斯对比学习，解决了长尾数据集中的稀有类别问题，展现了在心电图分析中的巨大潜力。方法的创新在于同时考虑了形态特征与类别分布，值得在其他医疗数据分析中推广。