⚡ electrical engineering

MorphologyFM: A Foundation Model for Morphology-Aware Representation Learning from ECG and Pulse Oximetry Waveforms

本文介绍了 MorphologyFM，这是一种在配对的 ECG 和 SpO2 波形上进行预训练的多模态基础模型，它通过一种形态感知自监督目标，通过显式保留具有临床意义的波形结构，在多种临床预测任务中表现优于现有方法。

原作者： Saiyang Feng, Yuanyun Zhang, Shi Li

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Saiyang Feng, Yuanyun Zhang, Shi Li

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图教一个机器人仅仅通过聆听人类身体的“心跳音乐”来理解人体。长期以来，科学家们一直尝试通过给机器人播放一首歌，遮住其中的几个音符，然后让机器人猜缺失的部分来教它。如果机器人能完美地填补空白，我们就认为它理解了这段音乐。

但转折点在于：MorphologyFM 指出，仅仅填补空白是不够的。这就像如果一个机器人可以完美地哼唱旋律，却并不真正理解为什么这首歌听起来是忧伤或快乐的。在心跳（ECG）和血氧波（SpO2）的世界里，“忧伤”或“快乐”并不在于单个音符；而是在于波形的形状。波峰是尖锐的吗？斜率是平缓的吗？波纹是否有些晃动？这些形状是医生用来诊断问题的秘密代码，而旧的方法大多忽略了它们。

核心理念：形态重于声音

该论文的作者认为，要真正理解患者的健康状况，AI 需要学习形态学（morphology）——即波形的特定形状和结构。他们构建了一个新的“基础模型”（可以把它想象成一个超级聪明的学生），名为 MorphologyFM。

他们没有仅仅要求 AI 猜测缺失的音符，而是教它一个更难、更有意义的游戏：

“形状”掩码游戏： 他们不再隐藏信号的随机部分，而是隐藏整个心跳的“乐句”（比如整个 P 波或整个 T 波）。为了解开这个谜题，AI 不能仅仅猜测缺失的音符；它必须理解波形的“故事”。它必须意识到：“哦，如果波峰在这里，那么斜率就必须这样下降。”
“双重检查”游戏： 他们让 AI 同时聆听两种不同的乐器演奏同一首曲子：心脏的电律动（ECG）和血液的脉搏（SpO2）。他们迫使 AI 意识到，尽管声音不同，但节奏是一致的。这帮助 AI 构建了一个心理地图，使得无论哪种乐器在演奏，相似的健康状态看起来总是相同的。

他们的发现（以及没发现的）

团队使用来自 MIMIC 数据库的大量真实患者数据，将这个新学生与旧的“填空式”冠军（如 MAE、对比学习等）进行了对比测试。

计分板： MorphologyFM 不仅仅是赢了，它更是占据了统治地位。在一项识别心律失常的测试中，它的得分达到了 89.7（F1 分数），击败了得分 86.8 的次优方法。在预测低氧血症方面，它达到了 92.5（AUROC），而其他方法则在 89.3 左右徘徊。它在预测患者住院时长或死亡风险方面也表现得更好。
“两只眼睛”的优势： 他们尝试仅用心脏律动或仅用氧波来训练 AI，但当两者结合时效果最好。论文表明，同时观察这两个信号可以让 AI 获得更丰富的图景，就像拥有两只眼睛而不是一只。
数据越多，效果越好： 他们还检查了喂给 AI 更多数据是否会有所帮助。他们发现，随着加入越来越多的未标记波形（从 10 万到 1000 万个片段），AI 变得越来越聪明。在 10 万到 100 万个片段之间出现了最大的飞跃，但即使超过这个量，它仍在持续改进。

他们明确反对什么

了解该论文明确表示哪些方法不如其新思路是非常重要的。作者明确反对认为完美重建信号（完美填补每一个缺失的音符）是最佳学习方式的观点。他们发现，那些擅长完美复制信号的模型，在识别指示疾病的细微形状变化方面实际上表现很差。仅仅因为一个机器人可以完美地临摹一幅画，并不意味着它理解了这幅画。

我们有多确定？

由于他们在关键护理数据库的真实、杂乱的数据上进行了测试，而非仅仅在完美的模拟环境中，因此该论文对这些结果非常有信心。他们运行了五次测试，以确保结果并非偶然。然而，他们也谨慎地指出，这是一篇预印本（正式同行评审前的草稿），且他们的实验仅限于来自特定数据库的两种信号类型（ECG 和 SpO2）。他们建议，虽然结果很强，但在我们称其为通用疗法之前，我们需要看到它在其他类型的传感器和不同的医院中是否同样有效。

总结

可以将 MorphologyFM 想象成一位不再盯着单个脚印，而是开始研究步态（即走路姿势）的侦探。通过关注心跳和脉搏的形状，而不是仅仅尝试复制声音，这种新的 AI 比以往的方法能更快、更准确地发现患者健康的“跛行”。这表明，如果我们希望 AI 成为医疗保健的真正伙伴，我们需要教会它去阅读曲线中书写的“故事”，而不只是数字。

技术摘要：MorphologyFM

问题陈述

尽管基础模型在自然语言处理和计算机视觉的表示学习方面带来了革命性的变化，但由于自监督目标选择的问题，其在生理波形（特别是心电图 [ECG] 和脉搏血氧 [SpO2]）领域的应用受到了限制。现有的方法主要针对信号重建（例如掩码自编码器 [MAE]）或预测进行优化。这些目标虽然成功捕捉了局部时间连续性，但未能显式地保留具有临床意义的波形形态（morphology）。

作者认为，生理信号的诊断价值不在于单个样本的振幅，而在于结构特征，如峰值振幅、间隔持续时间、斜率、拐点以及逐拍变异性。当前的方法虽然可以实现高保真度的信号重建，却可能无法区分对诊断心律失常、低氧血症或呼吸功能不全至关重要的细微形态模式。因此，需要一种能够将波形形态作为主要归纳偏置（inductive bias）的基础模型，从而在不需要人工标注的情况下学习可迁移的表示。

方法论：MorphologyFM

MorphologyFM 是一个在来自 MIMIC 重症监护数据库的配对 ECG 和 SpO2 波形上进行预训练的多模态基础模型。它采用了一个自监督学习框架，旨在学习对噪声具有不变性但对形态变化敏感的潜在表示。

1. 架构

标记化（Tokenization）： 模型使用两个特定模态的 1D 卷积标记器，将原始 ECG ( $x_{ecg}$ ) 和 SpO2 ( $x_{spo2}$ ) 片段转换为补丁嵌入（patch embeddings）。这使得每种模态都能学习特定的底层特征（例如，ECG 中的陡峭去极化与 SpO2 中的平滑血管传播）。
编码器（Encoder）： 标记序列与模态及位置嵌入拼接后，通过使用多头自注意力的共享 Transformer 编码器进行处理。这使得模型能够对电学心脏活动和外周血管反应进行联合推理。
解码器（Decoder）： 解码器用于重建输入波形的掩码区域。

2. 核心组件

训练目标结合了三个截然不同的组成部分：

形态感知掩码（Morphology-Aware Masking）： 不同于标准的随机掩码，该策略识别心脏周期（通过 ECG 中的 R 峰和 SpO2 中的脉搏峰值），并掩码整个形态组件（例如 P 波、QRS 复波、ST 段、收缩期上升支）。这迫使模型推断高阶生理关系，而非仅仅依赖局部插值。
跨模态表示学习（Cross-Modal Representation Learning）： 模型对齐同步的 ECG 和 SpO2 窗口的潜在表示。投影头将模态特定的聚合表示映射到一个共享空间，将同步对视为正样本，将无关患者视为负样本。这鼓励学习共同的心血管状态，同时保留模态特定的形态。
对比形态目标（Contrastive Morphology Objective）： 将 InfoNCE 损失应用于源自同一波形的两个独立形态保持增强后的嵌入。这显式地组织了潜在空间，使得形态相似的信号聚类在一起。

3. 训练目标

总损失函数是三个项的加权和：
$L = \lambda_{rec}L_{rec} + \lambda_{con}L_{con} + \lambda_{align}L_{align}$
其中 $L_{rec}$ 是掩码区域的重建误差， $L_{con}$ 是对比损失， $L_{align}$ 是跨模态对齐损失。至关重要的是，这一过程不需要诊断标签。

主要贡献

以形态为中心的预训练： 本文引入了一个自监督框架，其中波形形态而非原始信号重建作为主要的学习目标。
形态感知掩码策略： 一种新型掩码技术，针对临床相关的结构组件（如 QRS 复波）而非随机时间步，迫使模型学习生理结构。
多模态基础模型： 证明了对 ECG + SpO2 进行联合预训练比单模态预训练能产生更具可迁移性的表示，利用了电学信号与血流动力学信号之间的互补性。
全面的评估： 模型在四个多样化的下游任务中进行了评估：心律失常分类、低氧血症预测、死亡率预测和住院时长估计。

结果

MorphologyFM 在 MIMIC 数据库上进行了评估，并与具有代表性的自监督基线模型进行了比较，包括掩码自编码器 (MAE)、对比学习 (SimCLR 式)、Barlow Twins 以及联合嵌入预测架构 (JEPA)。

下游性能： MorphologyFM 在所有任务中均取得了最高性能。
- 心律失常 (F1)： 89.7%（相比之下，JEPA 为 86.8%）。
- 低氧血症 (AUROC)： 92.5%（相比之下，JEPA 为 89.3%）。
- 死亡率 (AUROC)： 90.4%（相比之下，JEPA 为 87.2%）。
- 住院时长 (AUROC)： 85.8%（相比之下，JEPA 为 82.7%）。
- 平均得分： 89.6，超过了表现次优的方法 (JEPA) 3.1 个百分点。
多模态收益： 在 ECG + SpO2 上进行联合预训练得到的平均 AUROC 为 89.6，显著优于仅 ECG (87.4) 和仅 SpO2 (85.8) 的模型。
消融实验：
- 用随机掩码替换形态感知掩码，使平均 AUROC 从 87.9 提升至 89.6。
- 完整的训练目标（重建 + 对比 + 对齐）优于任何消融版本，证实了所有组件的互补价值。
扩展性： 随着预训练语料库规模从 100k 增加到 10M 个波形片段，性能持续提升，其中在 100k 到 1M 片段之间的增益最为显著。
表示质量： 在最近邻患者检索任务中，MorphologyFM 达到了 95.1% 的 Recall@10，优于所有基线模型，表明其具有卓越的临床意义相似性保留能力。

意义与主张

本文主张波形形态构成了自监督生理表示学习的一种强大的归纳偏置。作者认为：

重建保真度 $\neq$ 表示质量： 高保真度的信号重建并不保证模型已经学习到了临床医生用于诊断的结构特征。显式建模形态弥合了这一差距。
通用生理表示： 形态在不同患者、设备和临床设置之间提供了一种通用的不变性，使其成为比通用时间序列重建更优越的基础模型目标。
无需标签的可扩展性： 该方法利用了日常临床护理中产生的数百万小时的无标签波形，为无需人工标注瓶颈的基础模型提供了一条切实可行的路径。

作者将 MorphologyFM 定位为迈向通用生理基础模型的一步，这类模型能够直接从原始连续信号中学习鲁棒的表示，从而将范式从将生物医学信号视为通用时间序列转变为将其视为富含形态特征的临床数据。

承认的局限性：

实验目前仅限于来自单一数据集 (MIMIC) 的 ECG 和 SpO2。
模型尚未纳入其他关键模态，如动脉血压、二氧化碳分压 (capnography) 或脑电图 (EEG)。
未来需要在其他医疗系统和设备上验证其鲁棒性。