Resumen Técnico: MorphologyFM

Planteamiento del Problema

Si bien los modelos fundacionales han revolucionado el aprendizaje de representaciones en el lenguaje natural y la visión computacional, su aplicación a las formas de onda fisiológicas (específicamente electrocardiogramas [ECG] y oximetría de pulso [SpO2]) se ha visto limitada por la elección de los objetivos de aprendizaje autodirigido. Los enfoques existentes optimizan principalmente la reconstrucción de la señal (por ejemplo, Autoencoders de Máscara de Autoencoder [MAE]) o la predicción de series temporales (forecasting). Estos objetivos capturan con éxito la continuidad temporal local, pero no logran preservar explícitamente la morfología de la forma de onda clínicamente significativa.

Los autores argumentan que el valor diagnóstico de las señales fisiológicas no reside en las amplitudes de las muestras individuales, sino en las características estructurales como la amplitud de los picos, la duración de los intervalos, la pendiente, los puntos de inflexión y la variabilidad latido a latido. Los métodos actuales pueden reconstruir una señal con alta fidelidad y, sin embargo, fallar al distinguir patrones morfológicos sutiles que son críticos para diagnosticar arritmias, hipoxemia o compromiso respiratorio. Existe la necesidad de un modelo fundacional que trate la morfología de la forma de onda como el sesgo inductivo primario para el aprendizaje de representaciones transferibles sin requerir anotaciones manuales.

Metodología: MorphologyFM

MorphologyFM es un modelo fundacional multimodal preentrenado con formas de onda emparejadas de ECG y SpO2 del banco de datos de cuidados críticos MIMIC. Emplea un marco de aprendizaje autodirigido diseñado para aprender representaciones latentes que sean invariantes al ruido pero sensibles a los cambios morfológicos.

1. Arquitectura

• Tokenización: El modelo utiliza dos tokenizadores de convolución 1D específicos para cada modalidad para convertir segmentos brutos de ECG ($x_{ecg}$) y SpO2 ($x_{spo2}$) en embeddings de parches. Esto permite que cada modalidad aprenda características de bajo nivel específicas (por ejemplo, la despolarización aguda en el ECG frente a la propagación vascular suave en el SpO2).
• Codificador (Encoder): Las secuencias de tokens se concatenan con embeddings de posición y de modalidad, y son procesadas por un codificador Transformer compartido mediante atención de múltiples cabezales (multi-head self-attention). Esto permite que el modelo razone conjuntamente sobre la actividad cardíaca eléctrica y las respuestas vasculares periféricas.
• Decodificador (Decoder): Un decodificador reconstruye las regiones enmascaradas de la forma de onda de entrada.

2. Componentes Principales

El objetivo de entrenamiento combina tres componentes distintos:

• Enmascaramiento Consciente de la Morfología (Morphology-Aware Masking): A diferencia del enmascaramiento aleatorio estándar, esta estrategia identifica ciclos cardíacos (a través de picos R en ECG y picos de pulso en SpO2) y enmascara componentes morfológicos completos (por ejemplo, ondas P, complejos QRS, segmentos ST, ascensos sistólicos). Esto obliga al modelo a inferir relaciones fisiológicas de orden superior en lugar de depender de la interpolación local.
• Aprendizaje de Representación Cross-Modal: El modelo alinea las representaciones latentes de ventanas sincronizadas de ECG y SpO2. Una cabeza de proyección mapea los embeddings agrupados (pooled) específicos de cada modalidad hacia un espacio compartido, tratando los pares sincronizados como ejemplos positivos y los pacientes no relacionados como negativos. Esto fomenta el aprendizaje de estados cardiovasculares compartidos preservando al mismo tiempo la morfología específica de cada modalidad.
• Objetivo de Contraste de Morfología: Se aplica una pérdida InfoNCE a los embeddings derivados de dos aumentos de la misma forma de onda que preservan la morfología de forma independiente. Esto organiza explícitamente el espacio latente para que las señales morfológicamente similares se agrupen.

3. Objetivo de Entrenamiento

La función de pérdida total es una suma ponderada de tres términos:
$$L = \lambda_{rec}L_{rec} + \lambda_{con}L_{con} + \lambda_{align}L_{align}$$
Donde $L_{rec}$ es el error de reconstrucción sobre las regiones enmascaradas, $L_{con}$ es la pérdida contrastiva y $L_{align}$ es la pérdida de alineación cross-modal. Crucialmente, este proceso requiere ninguna etiqueta diagnóstica.

Contribuciones Clave

1. Preentrenamiento Centrado en la Morfología: El artículo introduce un marco de aprendizaje autodirigido donde la morfología de la forma de onda, en lugar de la reconstrucción de la señal bruta, sirve como el objetivo de aprendizaje primario.
2. Estrategia de Enmascaramiento Consciente de la Morfología: Una técnica de enmascaramiento novedosa que apunta a componentes estructurales clínicamente relevantes (por ejemplo, complejos QRS) en lugar de pasos de tiempo aleatorios, obligando al modelo a aprender la estructura fisiológica.
3. Modelo Fundacional Multimodal: La demostración de que el modelado conjunto de ECG y SpO2 produce representaciones más transferibles que el preentrenamiento de una sola modalidad, aprovechando la naturaleza complementaria de las señales eléctricas y hemodinámicas.
4. Evaluación Exhaustiva: El modelo se evalúa en cuatro tareas descendentes (downstream) diversas: clasificación de arritmias, predicción de hipoxemia, predicción de mortalidad y estimación de la estancia hospitalaria.

Resultados

MorphologyFM fue evaluado en la base de datos MIMIC y comparado contra baselines representativos de aprendizaje autodirigido: Masked Autoencoders (MAE), Aprendizaje Contrastivo (estilo SimCLR), Barlow Twins y Arquitecturas de Predicción de Embedding Conjunto (JEPA).

• Desempeño en Tareas Descendentes: MorphologyFM alcanzó el desempeño más alto en todas las tareas.
  • Arritmia (F1): 89.7% (frente al 86.8% de JEPA).
  • Hipoxemia (AUROC): 92.5% (frente al 89.3% de JEPA).
  • Mortalidad (AUROC): 90.4% (frente al 87.2% de JEPA).
  • Estancia Hospitalaria (AUROC): 85.8% (frente al 82.7% de JEPA).
  • Puntuación Promedio: 89.6, superando al siguiente mejor método (JEPA) por 3.1 puntos.
• Beneficio Multimodal: El preentrenamiento conjunto de ECG + SpO2 produjo un AUROC promedio de 89.6, superando significativamente a los modelos de solo ECG (87.4) y solo SpO2 (85.8).
• Estudios de Ablación:
  • Reemplazar el enmascaramiento aleatorio con enmascaramiento consciente de la morfología mejoró el AUROC promedio de 87.9 a 89.6.
  • El objetivo completo (Reconstrucción + Contraste + Alineación) superó a cualquier versión ablada, confirmando el valor complementario de todos los componentes.
• Escalabilidad: El desempeño mejoró consistentemente a medida que el corpus de preentrenamiento aumentó de 100k a 10M de segmentos de forma de onda, observándose las mayores ganancias entre 100k y 1M de segmentos.
• Calidad de la Representación: En tareas de recuperación de pacientes de k-vecinos más cercanos, MorphologyFM alcanzó un Recall@10 de 95.1%, superando a todos los baselines, lo que indica una preservación superior de la similitud clínicamente significativa.

Significado y Reivindicaciones

El artículo afirma que la morfología de la forma de onda constituye un poderoso sesgo inductivo para el aprendizaje de representaciones fisiológicas autodirigidas. Los autores argumentan que:

1. Fidelidad de Reconstrucción $\neq$ Calidad de la Representación: La reconstrucción de alta fidelidad de la señal no garantiza que un modelo haya aprendido las características estructurales que los clínicos utilizan para el diagnóstico. El modelado explícito de la morfología cierra esta brecha.
2. Representación Fisiológica Universal: La morfología proporciona un invariante universal entre pacientes, dispositivos y entornos clínicos, lo que la convierte en un objetivo superior para los modelos fundacionales en comparación con la reconstrucción genérica de series temporales.
3. Escalabilidad sin Etiquetas: El enfoque aprovecha las millones de horas de formas de onda no etiquetadas generadas en la atención clínica rutinaria, ofreciendo un camino práctico hacia los modelos fundacionales sin el cuello de botella de la anotación manual.

Los autores posicionan a MorphologyFM como un paso hacia modelos fundacionales fisiológicos de propósito general capaces de aprender representaciones robustas directamente de señales continuas brutas, cambiando el paradigma de tratar las señales biomédicas como series temporales genéricas a tratarlas como datos clínicos ricos en morfología.

Limitaciones Reconocidas:

• Los experimentos están actualmente limitados a ECG y SpO2 de un único conjunto de datos (MIMIC).
• El modelo aún no incorpora otras modalidades críticas como la presión arterial arterial, la capnografía o el EEG.
• Se necesita trabajo futuro para validar la robustez en sistemas de salud y dispositivos externos.