最新論文では、

- ほぼ100万件のラベル無し12リード・ECG記録から学習する自己教師付きフレームワーク 「Deviation‑Aware Pretraining」の開発が報告されました f1

- フレームワークは 2 つのモジュールで構成されます ① Deviation Localization Embedding（DLE）―心電波形を逐一解析し、正常パターンから逸脱した部分を検出します ② Association Reconstruction Embedding（ARE）―複数のリードでの逸脱の連係を捉え、総合波形を再構築します f2

- 複数の公開データセットで評価した結果、DLE‑ARE で取得した表現は AUROC が最大 6.5 %、F1 スコアが最大 12.8 % 改善されました ただし、事前学習した特徴抽出器を追加で細調整しなくても実現しています f3

- さらに異質性の高い観察コホート（多様な患者背景）で検証した際は、絶対的な性能が低下しましたが、ベースラインと比べて一貫した相対改善が確認できました つまり、モデルは実世界の分布シフトに対しても頑健な情報を提供します f4

- したがって、ラベル付きデータが少ない環境や多様な臨床設定で、心血管疾患の早期検出に役立つ可能性があります

（詳細は arXiv https://arxiv.org/abs/2611.14141 を参照）