Adaptive Logit Adjustment

新的AG-SCL方法提高了对罕见病情的ECG心律失常诊断

研究人员开发了角高斯监督对比学习（AG-SCL），这是一个新颖的框架，旨在提高深度学习模型诊断长尾ECG心律失常的准确性。该方法通过整合用于不确定性建模的角高斯对比分支、用于先验校正的自适应Logit调整以及用于保留形态细节的尾部感知增强，解决了罕见但关键的异常情况的挑战。AG-SCL在PTB-XL基准和夜间ECG数据集上均表现出优越的性能，特别是在提高罕见心律失常的检测能力的同时保持了高特异性。