冠狀動脈狹窄是一種常見的心血管疾病，當狹窄程度達到嚴重級別且未得到及時治療時，會顯著增加心肌梗死（心臟病發作）的風險。目前，臨牀診斷冠狀動脈狹窄的金標準是冠狀動脈造影（X射線血管造影），這是一種侵入性檢查，需要將導管插入血管並注入造影劑，過程耗時且資源密集。因此，該檢查通常僅對基於症狀和前期臨牀測試具有高疾病概率的患者進行。然而，這種策略可能導致一部分患者——尤其是無症狀患者——被漏診，從而錯過早期干預的機會。
心電圖（ECG）是一種快速、廉價、無創且可常規採集的檢查手段，甚至在無症狀患者中也會定期進行。如果能夠從ECG信號中可靠地檢測出狹窄的跡象，將極大促進冠狀動脈疾病的早期診斷和風險分層。遺憾的是，截至目前，研究人員尚未在ECG中發現可靠的狹窄特異性信號，因此ECG目前無法用於狹窄風險的評估。針對這一臨牀難題，研究團隊提出了StenCE（Stenosis Contrastive Embedding）預訓練框架，旨在通過跨模態對比學習，從ECG中提取與狹窄相關的潛在表徵。
StenCE的核心思想是利用同時記錄的ECG信號和冠狀動脈造影圖像作為配對數據，通過對比學習將兩種模態的特徵空間對齊。具體而言，框架鼓勵同一患者的心電圖表示與血管造影表示更加接近，同時拉遠不同患者或無關樣本之間的距離。整個訓練過程無需手動標註的狹窄標籤，而是以自監督方式進行，極大利用了現有的配對臨牀數據。經過預訓練後，ECG編碼器能夠捕捉到狹窄相關的信號特徵，進而用於患者風險分層。
研究團隊在多個狹窄嚴重程度閾值（例如≥50%和≥70%狹窄）以及額外的ECG疾病分類任務（如心肌梗死檢測）上進行了全面評估。實驗結果顯示，集成StenCE的多種不同架構的ECG編碼器在各項任務中均實現了性能的持續提升，且顯著超越了以往的方法。最終獲得的模型成功從ECG中檢測到了用於狹窄診斷的有效信號，這是首次在嚴重狹窄分類任務中達到如此高的性能水平。
為了促進可重複性和進一步的研究，研究團隊已在GitHub上公開了完整的源代碼（https://github.com/NikolaCenic/ecg-stenosis-cls）。這一成果有望推動ECG在冠心病大規模篩查中的臨牀應用，尤其適用於無症狀高風險人羣的早期預警，從而減少心血管事件的發生。