PRISM-CTG（Physiology-aware Representation Learning via Integrated Self-supervision and Metadata for Cardiotocography）は、胎児心拍数モニタリング（CTG）記録の自動解析のために設計された新しい自己教師あり基礎モデルです。CTGは妊娠中および分娩中に胎児心拍数と子宮収縮をモニタリングする一般的な技術ですが、教師あり深層学習モデルは小さなラベル付きデータセットと限られた患者コホートに制約され、多くの生理学的情報を含む臨床記録が活用されていませんでした。この問題に対処するため、PRISM-CTGは大規模な未ラベルの臨床記録を活用して転送可能なドメインレベルの表現を学習します。
モデルの事前学習には、ランダム投影ガイド付きマスク信号再構成、臨床変数予測、特徴分類の3つの補完的なプレテキスト目的を共同最適化するマルチビュー自己教師ありフレームワークが用いられます。各目的には専用のタスク固有トークンが割り当てられ、制御されたクロスアテンションにより臨床コンテキスト間の情報交換が可能になります。重要な革新点は、患者メタデータ（年齢、在胎週数など）を予測ターゲットとして再定義し、既存の臨床情報を追加の教師信号に変換することで、臨床的に意味のある表現学習を導くことです。
産前および産時の両方における7つの下流CTGタスクでの広範な実験により、PRISM-CTGはドメイン内ベースラインおよび自己教師ありベースラインを一貫して上回ることが実証されました。さらに、2つの外部検証データセットにおいて強力な汎化を示し、はるかに大きなプライベートデータセットで訓練されたモデルに匹敵する性能を達成しました。これはCTGにおける初の大規模基礎モデルであり、未ラベルの臨床データを活用して胎児モニタリングと転帰を改善する新たな可能性を開きます。本モデルは臨床現場での応用が期待され、CTG信号の解釈を支援し、胎児仮死などの異常を早期に検出するのに役立つ可能性があります。