LAEF: A Lead-Agnostic ECG Foundation Model Towards Point-of-Care Diagnostics

📄 arXiv: 2608.03690v1 📥 PDF

作者: Edoardo Coppola, Stefano Fiorini, Pietro Liò, Mattia Savardi, Alberto Signoroni

分类: cs.LG

发布日期: 2026-08-04

💡 一句话要点

提出LAEF以解决心电图基础模型在点-of-care诊断中的局限性

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 心电图 基础模型 点-of-care诊断 图注意力网络 导联无关性 机器学习 生理信号处理

📋 核心要点

  1. 现有心电图基础模型通常依赖固定的12导联输入，无法适应点-of-care设备的1-2导联配置，导致性能下降。
  2. LAEF模型通过将心电图表示为可变大小的时空图，利用图注意力网络处理任意导联组合，解决了导联依赖性问题。
  3. 在18个下游数据集上，LAEF在1-2导联配置下超越了所有零填充模型，平均AUROC提升3.2分，显示出其强大的适应性和鲁棒性。

📝 摘要（中文）

现有的心电图基础模型通常固定为12导联输入，无法有效处理仅有1-2导联的情况。为此，本文提出LAEF（Lead-Agnostic ECG Foundation），一个具有700万参数的心电图基础模型，能够原生处理任意导联子集，而无需零填充或架构修改。LAEF将心电图表示为具有生理动机的时空图，通过图注意力网络处理，能够自然扩展到活动导联数量。经过在920万12导联心电图上进行预训练，LAEF在18个下游数据集上表现出色，尤其在1-2导联的直接点-of-care诊断中，超越了所有零填充替代方案，平均AUROC提升3.2分。

🔬 方法详解

问题定义：本文旨在解决现有心电图基础模型在仅有1-2导联输入时性能下降的问题。现有模型通常固定为12导联，无法适应点-of-care设备的需求，导致诊断效果不佳。

核心思路：LAEF模型的核心思想是将心电图表示为可变大小的时空图，利用图注意力网络处理不同导联组合，从而实现导联无关性，增强模型的适应性。

技术框架：LAEF的整体架构包括数据预处理、图构建、图注意力网络处理和输出层。模型能够根据输入的导联数量动态调整，避免了传统模型的固定输入限制。

关键创新：LAEF的主要创新在于其导联无关性设计，能够原生处理任意导联组合，而不需要零填充或架构修改。这一设计使得模型在不同导联配置下都能保持良好的性能。

关键设计：LAEF使用了700万参数，采用了掩蔽节点建模和随机导联采样的预训练策略。模型的损失函数和网络结构经过精心设计，以确保在不同导联配置下的鲁棒性和准确性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在18个下游数据集的实验中，LAEF在1-2导联配置下的表现超越了所有零填充替代方案，具体而言，在17个数据集中使用单个随机采样导联时表现优异，2导联时在14个数据集中表现突出，平均AUROC提升3.2分，显示出其显著的性能优势。

🎯 应用场景

LAEF模型在点-of-care心电图诊断中具有广泛的应用潜力，尤其适用于智能手表和便携式心电图记录仪等设备。其导联无关性特征使得该模型能够在多种临床场景中提供准确的心电图分析，推动个性化医疗的发展。未来，该技术可能在远程医疗和移动健康监测中发挥重要作用。

📄 摘要（原文）

Point-of-care cardiac devices such as smartwatches and handheld ECG recorders typically capture 1--2 leads, yet existing ECG foundation models are architecturally constrained to fixed 12-lead inputs, degrading or failing under these reduced configurations. We introduce LAEF (Lead-Agnostic ECG Foundation), a 7M-parameter ECG foundation model that can natively process any lead subset without zero-padding or architectural modification. LAEF represents ECGs as variable-size spatiotemporal graphs with physiologically motivated intra- and inter-lead connectivity, processed by a Graph Attention Network that scales naturally with active lead count.Pre-trained on 9.2M 12-lead ECGs via masked node modelling with stochastic lead sampling, LAEF learns representations robust to lead configuration. Across 18 downstream datasets, LAEF is on par with specialized 12-lead baselines over 12$\times$ larger at full lead availability. Under direct point-of-care-oriented diagnostics (1--2 leads), it outperforms all zero-padded alternatives on 17 out of 18 datasets with with a single randomly sampled lead and on 14 out of 18 with 2 leads, with an average AUROC gain of +3.2 points. Representation analysis links this advantage to architectural lead-agnosticism, and a lead-importance study across 164 cardiovascular conditions shows population-level performance is stable across single standard input leads while still recovering established clinically lead-condition associations.