MEETI: Мультимодальный набор данных ЭКГ из MIMIC-IV-ECG с сигналами, изображениями, признаками и интерпретациями

Почему это важно для здоровья сердца и повседневной помощи

Ежегодно миллионам людей фиксируют электрическую активность сердца в виде извилистых линий, называемых электрокардиограммами (ЭКГ). Эти исследования помогают врачам выявлять опасные нарушения ритма и другие сердечные заболевания, но их чтение требует времени и многолетней подготовки. В то же время искусственный интеллект достиг значительных успехов в задачах вроде чтения рентгеновских снимков и суммаризации медицинских записей, однако аналогичный прогресс для ЭКГ происходил медленнее. В этой работе представлен MEETI — новый тип набора данных ЭКГ, который объединяет несколько представлений одного и того же исследования: сигналы, изображения, числовые параметры и объяснения — чтобы компьютеры могли «понимать» ЭКГ способами, понятными и врачам, и пациентам.

Новый унифицированный взгляд на сердечный цикл

Традиционные базы данных ЭКГ обычно содержат один тип информации: либо сырые электрические сигналы, либо изображение ЭКГ, похожее на миллиметровую бумагу, либо короткий письменный отчет. MEETI (сокращение от MIMIC‑IV‑Ext ECG‑Text‑Image) — первый крупный публичный ресурс, который аккуратно сопоставляет четыре компонента для каждой ЭКГ: оригинальный 10‑секундный сигнал по 12 отведениям, высокоразрешающее изображение, имитирующее больничный бланк, набор точных поминутных/постребитовых измерений и подробную письменную интерпретацию, сгенерированную современным языковым моделям. Всё это построено на основе большого корпуса MIMIC‑IV‑ECG из крупного медицинского центра США и охватывает более трех четвертей миллиона записей ЭКГ от свыше 160 000 пациентов. Связывая эти элементы через общие идентификаторы, MEETI превращает каждую ЭКГ в богатый, многослойный портрет электрической активности сердца.

Как команда превратила сигналы в содержательные данные

Чтобы создать MEETI, авторы сначала скачали и проверили примерно 800 000 записей ЭКГ, подтвердив их анонимность и техническую корректность. С помощью открытых инструментов они визуализировали каждый 12‑канальный сигнал в стандартной клинической раскладке в высоком разрешении, сохраняя тонкие детали, на которые опираются кардиологи. Затем каждую ЭКГ пропустили через FeatureDB — набор инструментов, автоматически обнаруживающий знакомые сегменты P, QRS и T для каждого сердечного сокращения. На основе этого система вычисляет ключевые параметры: частоту сердечных сокращений, интервалы между сокращениями, длительность отдельных фаз сердечного цикла и амплитуды отдельных зубцов. Эти числовые показатели сохраняются для каждого зубца в каждом отведении, предоставляя необычно детализированное представление о поведении сердечного ритма в течение этих 10 секунд.

Обучение языковых моделей «говорить» о ритмах сердца

Короткие отчеты, написанные человеком, часто бывают расплывчатыми и упускают возможность связать диагноз с измеримыми признаками на записи. Чтобы устранить этот пробел, команда разработала продуманные подсказки для современной языковой модели, позволяя ей генерировать развернутые клинически обоснованные интерпретации. Для каждой ЭКГ модель получает как первоначальный отчет клинициста, так и извлеченные параметры — например, последовательности длительностей QRS по нескольким сокращениям — и получает инструкцию оставаться верной выводам эксперта, используя измерения в качестве доказательной базы. Кардиологи помогали в проектировании и проверке этого процесса, подтвердив на образцах, что полученные объяснения отражают те же находки, что и исходные отчеты, при этом включают конкретные числа. В результате получается текст, который связывает визуально видимое на графике с объективными, воспроизводимыми измерениями.

Что внутри ресурса и как его можно использовать

MEETI организован так, чтобы исследователи могли легко перейти от папки пациента ко всем его исследованиям, а от каждого исследования — к соответствующему изображению, сигналам, параметрам на уровне сокращений и интерпретации языковой модели. Сводная статистика по всему набору показывает, что ключевые измерения, например среднее время между сокращениями или длительность комплекса QRS, находятся в ожидаемых клинических пределах и почти не имеют пропусков, что подчеркивает качество и полноту данных. Авторы приводят пример кода для загрузки данных и чтения изображений и текстов, а также публикуют все скрипты, использованные для извлечения параметров и генерации изображений, как открытое программное обеспечение. Такая структура позволяет ученым обучать модели, которые совместно анализируют волновые формы, изображения и язык, и исследовать задачи — от автоматической классификации ритмов до генерации понятных отчетов для стажеров и пациентов.

Что это означает для будущего «умной» кардиологии

Авторы делают вывод, что MEETI устраняет ключевое узкое место в создании полезного и заслуживающего доверия ИИ для ЭКГ. Объединяя сырые сигналы, клинически оформленные изображения, тонко детализированные измерения и содержательные объяснения в одном публичном ресурсе, набор данных позволяет обучать системы, которые делают больше, чем просто маркируют запись как «нормальную» или «аномальную». Будущие модели смогут рассуждать о том, как конкретные изменения формы волны подтверждают диагноз, или показывать, какие сокращения и отведения обусловили их выводы. Для пациентов это может означать более понятные отчеты и более раннее обнаружение тонких изменений; для клиницистов — инструменты, которые не только сопоставимы с экспертными показателями, но и способны объяснить свои решения. Вкратце, MEETI закладывает основу для следующего поколения кардиологического ИИ, который одновременно видит, измеряет и объясняет сердечный ритм.

Цитирование: Zhang, D., Lan, X., Geng, S. et al. MEETI: A Multimodal ECG Dataset from MIMIC-IV-ECG with Signals, Images, Features and Interpretations. Sci Data 13, 527 (2026). https://doi.org/10.1038/s41597-026-06796-1

Ключевые слова: набор данных электрокардиограмм, мультимодальная медицинская ИИ, кардиологическая диагностика, интерпретация ЭКГ, машинное обучение в медицине