撰文丨王聰

編輯丨王多魚

排版丨水成文

全世界每年有近 1800 萬人死于心血管疾病，占全球死亡總數(shù)的 32%。這一驚人數(shù)字背后，是實時健康監(jiān)測技術的迫切需求。然而，傳統(tǒng)心血管信號監(jiān)測面臨一個核心矛盾：信號質量與患者舒適度難以兼得。

心血管信號，例如光電容積脈搏波（PPG）、心電圖（ECG），還有血壓（BP），本質上相互關聯(lián)且互補，共同反映心血管系統(tǒng)的健康狀況。然而，每種技術都有其局限性，可穿戴設備方便但信號易受干擾，醫(yī)療級設備精確卻難以持續(xù)使用。這導致了這些心血管信號在實時監(jiān)測中的聯(lián)合應用受到嚴重限制。

2025 年 12 月 29 日，清華大學朱軍、王立元等，在 Nature 子刊Nature Machine Intelligence上發(fā)表了題為：Versatile cardiovascular signal generation with a unified diffusion transformer 的研究論文。

該研究開發(fā)了一種多模態(tài) diffusion transformer 模型——UniCardio，能夠根據(jù)已有的心血管信號“補全”缺失或質量較差的信號，其生成的信號在檢測異常健康狀況和生命體征評估方面與真實信號性能相當，同時確保了對人類專家的可解釋性。這些優(yōu)勢使 UniCardio 成為推動人工智能輔助醫(yī)療發(fā)展的實用且穩(wěn)健的框架。

困境：為什么我們需要“AI 補全”技術？

心血管信號本質上是相互關聯(lián)且互補的，共同反映了心血管系統(tǒng)的健康狀況。但在實際監(jiān)測過程中，我們很少能獲得完整、高質量的多模態(tài)信號。

可穿戴設備的信號容易受到運動偽影、電源線干擾和肌肉收縮的影響；臨床監(jiān)測則因設備昂貴、患者不適而難以長期持續(xù)。即使獲得了信號，噪聲和中斷也使人類專家和自動化算法難以準確解讀。

傳統(tǒng)方法試圖通過任務特定的模型解決個別問題，如去噪、重建間歇信號或特定信號轉換。但這些方法未能充分利用不同信號間的互補信息，效果有限。

突破：UniCardio 如何實現(xiàn)信號“補全”？

UniCardio的核心創(chuàng)新在于將多種心血管信號的生成任務統(tǒng)一到一個框架中。這就像是訓練一位精通多國語言的翻譯，不僅能逐字翻譯，還能根據(jù)上下文理解并補全缺失的信息。

統(tǒng)一生成框架：研究團隊采用了先進的條件擴散模型，通過兩個過程實現(xiàn)信號生成：前向過程逐漸向數(shù)據(jù)添加噪聲，將其轉化為簡單的高斯分布；反向過程則學習在條件信息的引導下迭代重建所需信號。

這種方法的關鍵優(yōu)勢在于，不同信號模態(tài)都可以從同一噪聲分布中重建，使得多種心血管信號的恢復和轉換能夠在共享框架內實現(xiàn)。

專用模型架構：UniCardio 的模型結構精心設計了模態(tài)特定編碼器、定制 transformer 模塊和模態(tài)特定解碼器。

模態(tài)特定編碼器使用多尺度卷積神經網絡，提取不同時間尺度上的特征表示；定制 transformer 模塊則通過任務特定的注意力掩碼，精確控制不同模態(tài)間的信息流動，確保生成任務只關注相關的條件信息。

持續(xù)學習范式：面對多種信號模態(tài)組合帶來的巨大任務空間，研究團隊提出了創(chuàng)新的持續(xù)學習范式，分階段訓練模型學習不同數(shù)量條件模態(tài)下的生成任務。

通過結合學習率調度、訓練批次組合和任務特定注意力掩碼等策略，有效克服了持續(xù)學習中的“災難性遺忘”問題，使模型能夠逐步整合新模態(tài)，適應日益復雜的關系。

性能：生成信號的質量如何？

研究團隊在包含 339 小時的三模態(tài)記錄的數(shù)據(jù)集上預訓練 UniCardio，并在一系列生成任務上評估其性能。

全面超越專業(yè)模型：在去噪、插補和轉換任務中，UniCardio 明顯優(yōu)于最近的任務特定基線模型。生成的信號在波形形態(tài)、頻譜特征和臨床可解釋性方面均表現(xiàn)出色。

特別是在 PPG 插補、ECG 插補、PPG 到 ECG 轉換和 PPG 到 BP 轉換等具有挑戰(zhàn)性的任務上，UniCardio 不僅超越了專門為這些任務設計的模型，而且在使用更多條件模態(tài)時，性能還能進一步提升。

參數(shù)效率高：UniCardio 的所有任務僅需相對較少的參數(shù)即可完成，每種模態(tài)只需添加約 0.3M 參數(shù)的編碼器和解碼器，使其非常適合在可穿戴設備上部署。相比之下，使用任務特定方法實現(xiàn)這些功能需要組合多個專用模型，參數(shù)開銷會增加數(shù)十倍。

實踐：生成信號真的可用于醫(yī)療診斷嗎？

一個關鍵問題是：AI 生成的信號是否足夠可靠，可以用于實際的健康監(jiān)測和醫(yī)療診斷？研究團隊通過多個真實場景給出了肯定答案。

異常健康狀況檢測：在 PTB-XL 數(shù)據(jù)集上，團隊評估了 UniCardio 在檢測 ST 改變和肥厚性心肌病等異常狀況方面的能力。結果顯示，去噪后的信號在準確度、靈敏度和特異性方面均達到與真實信號相當?shù)乃?。特別是在房顫（AF）檢測任務中，UniCardio 能夠從可穿戴 PPG 信號生成高質量的 ECG 信號，并插補間歇性 ECG 信號以恢復缺失段，顯著提升了房顫檢測的準確性。

生命體征評估：在心率評估和血壓評估任務中，生成信號同樣表現(xiàn)出色。通過從 PPG 信號生成 ECG 信號，UniCardio 顯著降低了心率估計的平均絕對誤差；在血壓估計方面，也實現(xiàn)了對基線模型的明顯改進。

臨床可解釋性：更重要的是，生成的信號顯示出典型的異常診斷特征，如心房早搏的早期 P 波和代償間期，心房顫動的顫動波等。這些特征經過臨床醫(yī)生評估驗證，確保了生成信號的臨床有效性和可解釋性。

擴散過程產生的逐步中間結果還允許專家分析信號在整個生成過程中的演變，進一步增強了可解釋性。

未來：AI 生成信號將如何改變醫(yī)療監(jiān)測？

UniCardio 的出現(xiàn)標志著心血管信號處理范式的轉變。它不僅僅是單個任務的改進，而是為多模態(tài)生理信號生成提供了一個通用、可擴展的基礎框架——

個性化健康監(jiān)測：對于日常健康監(jiān)測，UniCardio 能夠通過自適應信號恢復實現(xiàn)準確數(shù)據(jù)采集，特別是對易受噪聲和中斷影響的可穿戴信號。同時，某些無法通過可穿戴傳感器獲取的心血管信號，也可以由 UniCardio 合成，提供更全面的健康評估。

重癥患者監(jiān)護：對于重癥患者，涉及非可穿戴和侵入性程序的長期臨床監(jiān)測會導致顯著不適。在這種情況下，模態(tài)轉換為實時警報提供了有效替代方案，提示必要的臨床檢查。

更廣泛的應用場景：除了心血管健康，UniCardio 還有望應用于心理和認知科學研究，其中生理信號廣泛用于評估壓力、認知負荷和情緒識別。在這些非危重護理場景中，可穿戴設備是主要記錄工具，但通常會產生比控制良好的 ICU 環(huán)境更多中斷的記錄。

UniCardio 代表了多模態(tài)生理信號生成的重要進展，通過統(tǒng)一框架解決了心血管信號處理中的關鍵挑戰(zhàn)。其生成信號在多個下游任務中表現(xiàn)出色，參數(shù)效率高，推理速度快，非常適合實時監(jiān)測應用。

隨著技術的進一步發(fā)展和驗證，這類 AI 生成信號技術將不僅改善現(xiàn)有健康監(jiān)測系統(tǒng)，還將開啟個性化醫(yī)療和遠程患者監(jiān)測的新時代，讓高質量醫(yī)療保健服務更加普惠、高效。

論文鏈接：

https://www.nature.com/articles/s42256-025-01147-y