2.1 先分清波形、导联和标签#

ECG（心电图）记录心脏电活动随时间的变化。P 波主要对应心房去极化，QRS 复合波对应心室去极化，T 波对应心室复极化；RR、PR、QT 等间期帮助描述节律与传导。

不同导联从不同方向观察电活动。12 导联包含较丰富的空间信息，而可穿戴设备常只有单导联或少量导联。减少导联能降低采集负担，也可能丢失对某些疾病有用的信息。

读方法部分时，先记录四件事：导联数、采样率、输入时长、预测标签。还要区分单标签分类与多标签分类：同一条 ECG 可能同时存在多种异常，未必适合强制只选一个类别。

2.2 标度图 / 尺度图（Scalogram）#

标度图常由连续小波变换（CWT）得到。横轴为时间，纵轴为尺度或与尺度对应的频率，颜色通常表示小波系数的幅度或功率，具体应看图例。

它将 1D 心电信号转换为 2D 时频图，使 2D CNN 等视觉模型能够处理 ECG。但转换本身增加了预处理和存储成本，不能仅凭图像直观就认为一定优于直接输入波形。

2.3 递归图 / 重现图（Recurrence Plot）#

递归图比较不同时间点的信号状态：如果时间点 i 和 j 的状态足够相似，就在对应位置做标记。它可以展示重复结构和非线性动态特征。

• 较长的对角结构，通常提示一段相似的动态演化。
• 碎片化结构可能反映更不规则的变化。
• 空白带可能与状态突变有关，也受阈值、嵌入参数和噪声影响。

这些图形特征不能直接等同于某种心律失常的诊断。 仍需结合信号、参数设置和标注验证。

2.4 小波散射（Wavelet Scattering）#

小波散射通过预先设计的小波变换、非线性操作和平均处理提取特征。它在一定条件下具有对小幅形变的稳定性，并通过平均获得一定程度的平移不变性。

它有助于减少微小位移对特征的影响，但不意味着任何噪声或扭曲下都能保持同样的诊断能力。

3.1 为什么引入图卷积#

可以把导联视为节点，把导联之间的关系视为边。GCN 显式利用这些关系，尝试建模多导联的协同变化。

需要纠正一个常见简化：多通道 1D-CNN 也可以混合导联信息，并非天然把每条导联完全独立处理。 GCN 的特点在于显式引入图结构，是否更好要通过公平比较和消融来验证。

3.2 多模态融合#

ECG 可以与年龄、性别、病史或临床文本共同输入模型。例如用 TCN/Transformer 处理波形，用文本编码器处理病历，再融合特征。

BERT 更适合文本输入；年龄、性别等结构化变量可以直接编码或交给小型网络，不必都转换为文本。关键在于：额外信息是否真实可获得，是否引入了标签泄漏，以及它在外部人群中是否仍然有效。

4.1 少导联：减少输入负担#

少导联适合穿戴设备和远程监测，但不能把某项研究中“2 导联与 12 导联表现接近”推广到所有疾病。需要核对任务、导联位置、患者群体和评价协议。

一个清晰的研究问题是：在相同患者划分下，减少导联后损失多少性能，能换来多少采集便利？ 注意力、蒸馏和多标签处理可能缓解信息损失，但不能预先保证补回所有信息。

4.2 轻量化：减少计算和存储负担#

一个常见的蒸馏目标可以写成纯文本形式：

L = (1 − α) × CE(y, p_student) + α × T² × KL(p_teacher,T || p_student,T)

CE 表示与真实标签的交叉熵；KL 比较教师与学生在温度 T 下软化后的概率分布；α 调节两项权重。训练时通常固定教师模型。

例如教师对“房颤、正常”给出 [0.8, 0.2]，学生给出 [0.6, 0.4]。虽然两者都预测房颤，蒸馏项仍能推动学生靠近教师给出的概率关系。这是原理示例，不是某个模型的实测结果。

第一篇综述转述过约 262 倍压缩、准确率损失 0.81% 的特定研究结果。这个数字依赖原研究的任务、教师模型及评估条件，不能当成通用压缩承诺。

4.3 少标注：先利用无标签信号学习#

自监督学习先用无标签 ECG 学到表示，再用少量标注微调。对比学习是其中一类方法，通过正负样本或不同视图之间的关系学习特征。

CLOCS 等框架围绕时间、导联和患者构建关系。不同方法的正负样本定义并不相同；也不能简单认为不同患者一定具有不同病理类别。

增强方式尤其关键：如果裁剪、扰动或变换消除了病理线索，模型可能学到错误的不变性。评估少标注方法时，应在相同标签比例下比较，并防止预训练数据与外部测试患者重叠造成泄漏。

4.4 “高效”最终需要测量#

参数量小不必然等于运行快。除了分类指标，还应记录参数量、FLOPs/MACs、模型文件大小、目标设备延迟、峰值 RAM 和功耗；若声称实时运行，还要考虑采样窗口、预处理与通信耗时。

第一篇没有让所有模型在统一数据、划分和硬件上重跑，因此适合用来寻找技术方向，不能据此判定哪个模型全面最优。

5.1 联邦学习与抗拜占庭聚合#

联邦学习（FL）让数据保留在各机构，通过上传模型更新共同训练。中位数聚合、截断均值等方法可在相应假设下缓解异常更新或恶意投毒。

“数据不出院”并不自动保证隐私：模型更新仍可能泄漏信息，往往需要结合安全聚合、差分隐私等机制，并验证它们的性能代价。抗拜占庭方法也不能无条件保证系统安全。

5.2 不确定性量化（UQ）#

Softmax 分数可能过度自信，尤其遇到训练中未见过的数据时。需要区分两类不确定性：

• 偶然不确定性（Aleatoric）：与数据噪声、测量误差等有关。
• 认知不确定性（Epistemic）：与模型知识有限、数据不足等有关。

UQ 的目标是帮助识别“可能不可靠”的预测；模型校准则检查预测概率与实际发生频率是否匹配。例如，一组预测概率约 80% 的病例，实际阳性比例是否也接近 80%。

实际系统可以把低质量信号或高不确定性病例转给医生复核（Human-in-the-loop），但转交阈值和工作负担同样需要验证。

6.1 从混淆矩阵开始#

TP 是真阳性，TN 是真阴性，FP 是假阳性，FN 是假阴性。

例如 TP = 90、FN = 10、TN = 95、FP = 5，则灵敏度为 90%，特异度为 95%，PPV 约为 94.7%。

6.2 为什么准确率高仍可能不够#

如果异常只占 1%，把所有人都判为正常，准确率也有 99%，但一个异常都没找出来。

再看一个假设算例：10,000 人中患病率为 1%，某检测灵敏度 97%、特异度 96%。那么大约有：

• 100 名患者中，97 人被识别，3 人被漏掉。
• 9,900 名非患者中，396 人被误报为阳性。
• 阳性预测值为 97 / (97 + 396)，约 19.7%。

所以，灵敏度 97% 不代表“阳性结果有 97% 的概率是真的”。筛查场景的患病率、误报成本和后续检查流程都会影响临床价值。

6.3 似然比与诊断优势比#

LR+ = 灵敏度 / (1 − 特异度)

LR− = (1 − 灵敏度) / 特异度

DOR = LR+ / LR− = (TP × TN) / (FP × FN)

上面的比值形式要求相关分母非零；遇到零计数时，统计分析需要相应处理。

DOR 不能写成“真阳性率 / 假阳性率”——后者是 LR+。 DOR 衡量整体区分能力，但把灵敏度与特异度压成一个数，会掩盖两者的不同取舍。

若灵敏度为 0.97、特异度为 0.96，则 LR+ = 24.25，LR− = 0.03125，DOR = 776。这是公式演示，不是对文献汇总值的重新估计。

似然比更新的是优势（odds）：后验优势 = 先验优势 × LR，其中 优势 = 概率 / (1 − 概率)。1/LR− 描述阴性结果使患病优势缩小的倍数，不能直接当成患病概率缩小的倍数。

LR+ > 10、LR− < 0.1 常作为较强诊断证据的经验参考，仍需结合置信区间、患病率和临床任务；DOR 也不存在适用于所有场景的单一“合格线”。

7.1 85 篇和 27 篇不是同一个样本范围#

第二篇遵循 PRISMA 报告框架，并在 PROSPERO 注册（CRD42023478008）。它从 8 个数据库识别出 1,068 篇记录，最终纳入 85 篇研究，其中 27 篇具有可用于定量分析的混淆矩阵信息。

PRISMA 是报告指南，PROSPERO 是注册平台，不能把两者混写为“在 PRISMA 注册”。也要区分“纳入系统综述的研究”和“进入 Meta 分析的研究”。

7.2 汇总结果说明什么#

原文第 5 节报告，全部 27 篇研究的汇总灵敏度为 97.12%（95% CI：94.44%–98.53%），汇总特异度为 96.30%（95% CI：94.17%–97.67%）。摘要将其概括为约 97% 和 96%。

这些是跨研究的模型估计，并非一个新模型在一所新医院的测试成绩。不同疾病、导联、标签、阈值和参考标准会影响可比性；能提供混淆矩阵的研究也未必代表全部研究。

7.3 森林图（Forest Plot）#

森林图中的点表示单项研究的估计值，横线通常表示 95% 置信区间。颜色和点形要以实际图例为准。

• 区间较短，表示该估计的不确定性较小；样本量是影响因素之一。
• 区间较长，表示估计更不精确。
• 区间很短也不能排除数据泄漏、选择偏倚或错误标签。

7.4 HSROC：汇总点、置信区域与预测区域#

HSROC（分层汇总 ROC）用于诊断准确性 Meta 分析，描述研究间诊断表现及阈值相关变化。汇总点是统计模型估计，不宜简单理解为把所有分数做算术平均。

读图先确认坐标轴：常规 ROC 横轴是假阳性率（1 − 特异度），纵轴是灵敏度，理想点为 (0, 1)。若图的横轴直接画特异度，或将其反向排列，就要依照实际标注判断，不能把“左上角”固定写成 (1, 1)。

原笔记把“小置信圈”解释为“研究更一致”，这里应区分：汇总估计精确与研究间异质性小是不同概念。

7.5 异质性与阈值效应#

异质性可能来自人群、疾病谱、导联、采集设备、预处理、标签与参考标准等差异。阈值效应是其中一类来源：同一评分系统降低阳性阈值，通常会提高灵敏度、降低特异度。

跨研究的相关性还受其他差异影响，不能说所有研究一定呈强负相关。第二篇在 MIT-BIH 子集报告了较强的负相关，但在全部 27 篇研究中报告的相关性较弱，提示不同分析范围的阈值效应并不相同。

7.6 原文中的统计口径也要核对#

第二篇第 4 节写约 31.8% 的研究做了外部交叉验证，第 6.5 节写 35.3%，并另提到 14.1% 同时做内部与外部验证。这些描述的口径或统计存在不一致，写自己的论文时，应回到定义和纳入研究逐项核对，不能随意选择一个百分比。

可解释性分析只涉及 8/85 篇，是该综述样本内的统计，不能推广为整个领域的精确比例。同样，“综述未提供充分患者结局证据”不能写成“任何 ECG AI 都没有临床价值”。

8.1 患者级划分与数据泄漏#

把同一患者的不同心搏或相邻片段随机分到训练集和测试集，可能让模型借助患者特征或近重复波形获得偏乐观的成绩。

若目标是预测未见过的患者，应先按患者划分数据，再进行分段、增强等处理。标准化参数、特征选择和阈值调节也应只使用训练或验证数据，不能借用最终测试集。

受试者内（Intra-subject）评估和受试者间（Inter-subject）评估回答不同问题：前者可能适用于个体化系统，后者更关注新患者泛化。阅读时必须先看具体定义，不能只看名称。

8.2 内部验证、外部验证与临床实用性#

同一数据库内的 k-fold 交叉验证属于内部验证。来自其他医院、设备、时间段或独立人群的测试，可以检验相应分布变化下的泛化，但仍需说明样本和使用场景。

外部验证是重要一步，单次外部测试也不足以证明全面临床价值。临床实用性（Clinical utility）还涉及前瞻性验证、工作流、净获益、误报负担，以及患者结局。

第二篇讨论了一些真实场景研究，包括以医生判读作为参考的研究；这与证明 AI 全面优于医生或改善患者结局不是同一件事。笔记应保留这种证据层级的区别。

8.3 读每篇模型论文时的六个问题#

1. 具体任务是什么：筛查、诊断、持续监测，还是预后预测？
2. 解决的是导联少、算力小、标签少，还是跨人群泛化？
3. 基线是否采用同样的数据划分、调参机会和评价指标？
4. 类别不平衡时，各类召回率、宏平均 F1、PR 曲线等表现如何？
5. 是否做了消融、噪声测试、校准分析和适当的外部验证？
6. 错误集中在哪些患者或类别，临床后果与部署代价是什么？