冠状动脉狭窄是一种常见的心血管疾病，严重且未经治疗的病例会显著增加心脏病发作的风险。目前，冠状动脉造影（X射线血管造影）是诊断狭窄的金标准，但该方法具有侵入性，且耗时耗力，因此通常只对那些根据症状和先前临床检查高度怀疑患病的患者进行。然而，一部分患者，尤其是无症状患者，可能因此无法得到诊断。
心电图（ECG）快速、廉价、无创，即使在无症状患者中也常规采集，因此从ECG中检测狭窄的迹象将有助于早期诊断。但迄今为止，尚未在ECG中识别出可靠的狭窄特异性信号，ECG目前无法用于狭窄风险分层。
为了解决这一问题，研究人员提出了StenCE，一个预训练框架，能够直接基于ECG衍生的特征对患者进行分层。StenCE的核心思想是利用跨模态对比学习，在预训练阶段对齐ECG和血管造影的表示，从而让ECG编码器学会提取与狭窄相关的信息。具体而言，模型通过对比学习将同一患者的ECG和血管造影特征在潜在空间中拉近，同时将不同患者的特征推远。这样，即使没有血管造影标签，ECG编码器也能学习到与狭窄相关的模式。
在评估中，研究人员在多个狭窄严重程度阈值下测试了StenCE，并进一步评估了其他ECG疾病分类任务。结果表明，在不同ECG编码器上，StenCE均能带来一致的性能提升，并超越了先前的工作。所获得的模型成功检测到了ECG中用于狭窄诊断的信号，并且首次在严重狭窄分类上实现了高性能。
该研究由Nikola Cenikj等七位作者完成，论文于2026年5月23日提交至arXiv（编号arXiv:2606.02605），属于机器学习（cs.LG）领域，并交叉涉及人工智能（cs.AI）和图像与视频处理（eess.IV）。源代码已在GitHub上公开（https://github.com/NikolaCenic/ecg-stenosis-cls），便于研究社区复现和进一步开发。
StenCE的意义在于，它提供了一种从常规ECG中挖掘诊断信息的新途径，有望将ECG转变为一种无创、低成本的狭窄筛查工具，尤其有助于识别那些尚未出现症状但存在严重狭窄风险的患者。未来，该方法或可集成到临床工作流程中，辅助医生进行早期干预决策。