4
0nature machine intelligence | 牛津大学开发基于170万个体数据预训练的多模态基础模型，实现跨场景与设备的心脏健康评估
心脏健康AI迎来重大突破。牛津大学团队在《自然·机器智能》发表研究，提出"心脏感知基础模型"（CSFM），通过170万个体数据的预训练，首次将异构心脏信号与临床文本统一起来，终结了医疗AI的碎片化困局。
传统AI模型面临"专才"困境：为12导联心电图训练的模型无法处理智能手表的单导联数据，导致医疗AI出现"孤岛效应"，难以跨越医院围墙普惠到家庭和社区。CSFM借鉴大语言模型的预训练思路，将心电图、光电容积描记图信号切割成补丁，与临床文本一起转化为向量，通过生成式掩码预训练学习心脏信号的底层结构和临床语义。
在性能评估中，CSFM在五大场景全面超越传统基线：诊断准确性macro-F1分数显著提升，单导联输入下的性能逼近甚至超过传统模型的12导联效果，在ICU误报警预测中无论输入ECG、PPG或两者结合均优于基线。更重要的是，CSFM具备跨模态生成能力，能从PPG生成ECG波形，为资源有限环境提供数据增强新思路。
这一突破预示着医疗AI从"手工作坊"走向"工业化平台"。未来，可穿戴设备可实现"即插即用"的AI分析，医生将拥有统一的AI助手，中低收入国家也能通过廉价单导联设备获得精准诊断，为全球心脏健康管理的普惠化铺平道路
