Neues Framework CG-DMER verbessert multimodale ECG-Analyse

Die präzise Auswertung von Elektrokardiogrammen (EKG) ist entscheidend für die Diagnose von Herz-Kreislauf-Erkrankungen. Ein neues multimodales Modell namens CG-DMER kombiniert EKG-Signale mit begleitenden klinischen Berichten und löst dabei zwei zentrale Probleme bestehender Ansätze. Erstens werden bisherige Modelle häufig ledrückslos behandelt und ignorieren die räumlich‑zeitlichen Abhängigkeiten zwischen den einzelnen EKG-Leads. Zweitens führen direkte Ausrichtungen von EKG-Daten auf freie Textberichte zu modalspezifischen Verzerrungen.

CG-DMER nutzt ein kontrastives‑generatives Framework, das zwei innovative Designprinzipien integriert. Durch spatial‑temporal Masking werden gezielt Teile der Daten in Raum und Zeit ausgeblendet und anschließend rekonstruiert, wodurch feinere zeitliche Dynamiken und interlead‑Abhängigkeiten erfasst werden. Gleichzeitig trennt ein disentanglement‑ und alignment‑Strategie die Modaldaten in modulare und gemeinsame Encoder, wodurch Rauschen reduziert und die Trennung von modalspezifischen sowie modalspezifisch-invarianten Merkmalen verbessert wird.

In Experimenten mit drei öffentlichen Datensätzen zeigte CG-DMER einen deutlichen Leistungsgewinn gegenüber bestehenden Methoden und erreichte damit einen neuen Stand der Technik in diversen nachgelagerten Aufgaben. Das Framework bietet damit eine robuste Grundlage für die Weiterentwicklung von multimodalen EKG‑Analysen und eröffnet neue Perspektiven für die klinische Diagnostik.