心电图（ECG）是心脏疾病诊断的核心工具，但大多数机器学习方法缺乏可解释性，限制了临床应用。为此我们提出 IECG，一种弱监督的 ECG 基础模型，能够在无需人工标注异常区域的情况下，同时完成诊断分类和异常定位，突破了可解释 ECG 学习的长期瓶颈。
IECG 的核心是弱监督注意力策略，它通过从已有的临床知识中生成异常热图伪标签，将这些伪标签作为 KL 散度损失的监督，引导模型的 CLS‑token 注意力聚焦在诊断相关的波形区域。
在预训练阶段，IECG 采用三重目标：临床引导的注意力监督、ECG‑文本对比对齐以及报告生成。该组合使模型学习到丰富的多模态表征，并能够输出局部化的波形证据。
通过显式聚合来自临床引导注意力区域的特征，IECG 在保持强分类性能的同时，将诊断预测根植于可解释的波形证据。大量实验表明，IECG 在异常区域定位上达到最新水平，同时保持优秀的分类效果，为可信的 ECG 基础模型奠定了基础。
点评