Nature子刊封面:牛津提出首个百万级多模态心脏基础模型CSFM

牛津大学团队推出全球首个心脏传感基础模型CSFM,能统一分析智能手环、心电图等多源数据,无论信号来自何处、是否完整,都能精准诊断房颤、预测死亡风险、重构血压波形,甚至用单一脉搏波生成完整心电图。打破了设备壁垒,让偏远地区也能享用顶级心脏监护,推动全球医疗平权。
牛津大学团队推出全球首个心脏传感基础模型CSFM,能统一分析智能手环、心电图等多源数据,无论信号来自何处、是否完整,都能精准诊断房颤、预测死亡风险、重构血压波形,甚至用单一脉搏波生成完整心电图。打破了设备壁垒,让偏远地区也能享用顶级心脏监护,推动全球医疗平权。
心血管疾病持续作为全球医疗健康负担的「头号杀手」。如今,心脏信号的采集无处不在——从重症监护室(ICU)的复杂监护仪,到普通病房的十二导联心电图,再到我们手腕上的智能手表。
然而,这些设备产生的数据格式「四分五裂」,通道数各异。这导致现有的医疗人工智能变成了一次性的「定制款」:在医院高精度设备上训练的顶尖模型,一旦换到居家智能手环上,就会因为「水土不服」而彻底失效 。
为了彻底打破这一硬件与数据壁垒,牛津大学Xiao Gu博士与David A. Clifton教授领导的国际联合研究团队,重磅推出了首个多模态心脏传感基础模型(Cardiac Sensing Foundation Model, 简称CSFM。

论文链接:https://www.nature.com/articles/s42256-026-01180-5
该研究成果凭借其极具突破性的视野,被权威顶级学术期刊《Nature Machine Intelligence》遴选为2026年2月刊的封面文章。


核心痛点与CSFM的破局之道
传统AI模型最大的软肋在于「通道依赖」。
CSFM颠覆了这一传统,它通过强大的Transformer架构和创新的「统一词元化(Tokenization)」策略,实现了真正的降维打击。
不论输入的是电压波动的心电图(ECG)、光学反射的脉搏波(PPG),还是医生手写的临床诊断文本;也不管数据是残缺的单导联还是完整的12导联,CSFM都能一视同仁,将它们送入同一个极高维度的「大脑」中进行联合分析。
更惊艳的是,CSFM在预训练时采用了极度苛刻的「掩码自监督学习」——随机抹去75%的信号数据。在「管中窥豹」的极限条件下,模型被逼迫着去真正理解心脏深层的电生理流形与血液动力学规律,而非进行简单的数学插补。这种对高达170万个体异构数据的海量吞吐,赋予了CSFM无与伦比的泛化能力。

五大核心临床场景
全面降维碾压
CSFM不是停留在纸面上的理论,它在横跨北美、欧洲及亚洲的真实世界数据集中,接受了五大核心场景的严苛测试,表现全面超越传统的深度学习模型:
- 精准心血管疾病诊断:无论是手环单导联上的房颤筛查,还是12导联上的复杂心肌梗死定位,CSFM的准确率均遥遥领先。
- 「透视」隐匿生理特征:仅凭一段简单的脉搏波形,CSFM就能敏锐反推出患者的年龄、性别乃至BMI指数,成为发现数字生物标志物的超级利器。
- 无创连续血压测量:颠覆传统的袖带式测量,CSFM能从无创的ECG/PPG信号中,实时、连续、高精度地重构出极其关键的动脉血压(ABP)波形。
- 跨越生死的结局预测:在预测患者未来一年的全因死亡率,以及精准拦截ICU病房里让人头疼的「超高频假警报」方面,CSFM展现出了惊人的临床决断力。
- 专业级心电图对话(ECG-QA):结合大语言模型,CSFM能「看懂」复杂的波形,并用自然语言回答医生提出的极其刁钻的空间病理定位问题。

突破物理极限界限
跨模态「生成魔法」
如果说诊断是基础,那CSFM的「跨模态脑补」能力则堪称魔法。在缺乏高端心电图设备的偏远地区或居家环境中:
光学PPG无中生有生成ECG:仅靠普通消费级智能手环监测到的平缓血流容积光反射变化,CSFM就能跨物理域,重构出具有医疗级保真度的心电图波形(包含清晰的P-QRS-T波群) 。
单导联推演全息12导联:即使只给CSFM看一根导联的残缺信号,它也能精准推演出包含胸前与肢体完整视角的12导联全息心电2。

结语
重塑数字医疗产业格局
对于数字医疗产业而言,CSFM的最大价值在于它是一个「开箱即用」的终极特征提取器。未来的医疗硬件初创公司或一线临床医生,彻底摆脱了搭建庞大算力集群的枷锁。只需调取CSFM的深层特征接口,利用几十个病例和一台普通笔记本电脑,几秒钟内就能训练出极其强大的专病辅助诊断工具。
CSFM的成功不仅是算法性能的一次狂飙,更是数字健康全产业链底层逻辑的重塑。它彻底打破了硬件孤岛与模态壁垒,让无论身处三甲ICU还是偏远山区的患者,只需一枚廉价的智能手环,就能随时接入顶级的智能心脏监护网络。
科技向善,CSFM正让全球心脏医疗健康平权迈出历史性的一步!
参考资料:
Gu, X., Tang, W., Han, J. et al. Cardiac health assessment across scenarios and devices using a multimodal foundation model pretrained on data from 1.7 million individuals. Nat Mach Intell 8, 220–233 (2026).
文章来自于“新智元”,作者 “LRST”。
Related topics
After reading
Join the AINRK community
Read how to join the community and connect with people working in AI.




