港科广 NEF-NET v2 突破临床瓶颈：实现真实场景下任意视角心电全景合成
2026-02-24 20:41
59
香港科技大学（广州）陈晋泰教授团队与中山大学生物医学工程学院吴万庆教授团队联合研发的NEF-NET v2模型成果发表于ICLR 2026，该模型首次在真实临床环境中实现高精度、诊断级心电全景合成，通过创新性技术架构与训练部署方案，解决了传统心电诊断中视角盲区、设备差异、个体适配等核心痛点，为心脏病精准诊断开辟新路径。
一、技术背景：传统心电诊断的四大瓶颈
临床常用的标准十二导联心电图系统虽为心血管疾病诊断的核心工具，但固定视角存在天然局限，后壁心梗、Brugada综合征等疾病常因视角盲区难以被精准捕捉。此前港科广团队提出的Nef-Net v1虽验证了心电全景合成的可行性，但仅适用于理想实验环境，存在四大关键缺陷：
视角信息混叠：多视角特征平均融合导致波形诊断细节被抹平，少导联监督场景下问题更突出；
设备域差：不同采集设备的采样分布漂移，导致跨设备数据兼容性差；
视角偏移：电极贴放误差与患者个体解剖差异，造成实际采集视角与理论视角不符；
全景验证不足：公开数据集多为12导联，缺乏密集视角数据支撑全景合成能力的系统验证。
二、核心创新：三大突破破解临床落地难题
1.架构革新：view-to-view transformation精准映射视角
NEF-NET v2摒弃了Nef-Net v1显式建模心脏电生理场的思路，采用更直接的视角到视角（view-to-view）变换架构，通过几何关系动态识别输入导联与目标导联的相关性，避免特征平均导致的细节丢失。模型核心由三部分构成：
角度编码（Angle Embedding）：将输入与目标导联均以球坐标角度（θ,φ）表示，映射至可学习空间，建立视角几何关联；
视图编码器（View Encoder）：通过1D-ResNet提取单导联特征，结合类似FiLM的仿射调制，前置强化目标角度相关特征，抑制冗余信息；
几何视图转换器（GeoVT）：含几何角度注意力机制（MGAA）与多层视图变换块，通过交叉注意力计算视角相似度权重，逐层实现特征的视角投影与精细化融合，最终通过重建头输出目标导联时域信号。
2.三阶段训练部署：适配真实临床环境
针对临床场景中的设备差异与个体适配问题，模型设计了全流程训练部署方案：
任意对预训练（Any-Pairs Pretraining）：基于多数据集、多设备的ECG数据，通过“任意记录-任意目标”动态采样，学习稳健的跨视角映射先验；
设备校准（Device Calibration）：针对特定采集设备微调，对齐设备域差异，解决采样分布漂移问题；
在线自校准（On-the-fly Calibration）：推理时引入可学习角度偏差参数（dθ,dφ），利用每条ECG前5秒数据快速校准电极贴放误差与个体解剖差异，实现病人级实时适配。
3.数据集构建：Panobench支撑全景验证
团队建立Panobench高密度心电数据集，所有视角位置均经CT标注并精确计算角度，为心电全景合成提供了系统化、高密度的验证平台，填补了现有数据资源的空白。
三、实验结果：多维度性能碾压主流模型
1.重建与合成任务表现优异
在Tianchi、ChinaDB、CPSC2018和PTB-XL四大数据集上，NEF-NET v2在视图重建与未见过视角合成任务中均大幅超越Nef-Net及E-LSTM、ECGRecover等主流模型：
3导联输入、9导联监督场景下，ChinaDB数据集PSNR达35.84±0.22（Nef-Net仅29.59±0.20），SSIM达0.977（Nef-Net为0.961）；
未见过视角合成任务中，以（3,8,1）配置（3个输入视角、8个监督视角、1个合成视角）在CPSC2018数据集上PSNR达33.62±0.17，SSIM达0.985，较Nef-Net分别提升6.9dB和0.028。
2.三阶段部署成效显著
实验验证显示，随着训练阶段推进，模型性能逐级提升：经On-the-fly Calibration后，CPSC2018数据集PSNR从预训练阶段的31.01±0.23提升至33.62±0.17，SSIM从0.975提升至0.985，临床关键波形细节（如拐点、形态特征）的还原度显著增强。
3.疾病泛化能力突出
在涵盖房颤、房室传导阻滞、束支阻滞等九类心律/心肌异常的CPSC2018数据集上，NEF-NET v2在所有病理类别中均保持高保真度，平均PSNR提升6.9dB，其中房颤信号PSNR提升达7.3dB，正常与异常节律的性能差距进一步缩小，展现出强大的跨病种适配能力。
四、临床价值：重新定义心电诊断的视角边界
NEF-NET v2的落地应用将彻底改变传统心电诊断模式：医生可通过有限导联采集数据，由模型生成任意视角的虚拟导联信号，填补后壁心梗等疾病的视角盲区；跨设备兼容性与个体自适应能力，使其可适配不同层级医疗机构的设备条件与多样化患者群体；诊断级的波形细节还原，确保虚拟信号可直接用于临床辅助诊断。
该研究不仅将心电全景合成从实验室推向真实临床，更通过架构创新、部署优化与数据集构建，为生物医学信号的多视角合成提供了可复用的技术范式，有望在心律失常筛查、疑难心脏病诊断等领域发挥关键作用，推动心血管疾病精准医疗的普及。
0
好文章，需要你的鼓励