PRISM-CTG（Physiology-aware Representation Learning via Integrated Self-supervision and Metadata for Cardiotocography）是一种新型的自监督基础模型，专门为自动分析胎心监护（CTG）记录而设计。CTG是孕期和分娩期间监测胎儿心率和子宫收缩的常用技术，但传统的监督深度学习模型受限于小型标注数据集和有限的患者队列，导致大量具有生理信息价值的临床记录未被充分利用。为了突破这一瓶颈，研究人员提出了PRISM-CTG，通过利用大规模未标注的临床记录来学习可迁移的领域级表示。
模型的预训练采用了一个多视角自监督学习框架，联合优化三个互补的预训练目标：随机投影引导的掩码信号重建、临床变量预测和特征分类。每个目标都有专用的任务特定标记（token），通过受控的交叉注意力机制实现跨临床上下文的信息交换。一个关键创新在于将患者元数据（如年龄、孕周等）重新定义为预测目标，从而将现成的临床信息转化为额外的监督信号，引导模型学习临床上有意义的表示。
在产前和产时场景中的七个下游CTG任务上的大量实验表明，PRISM-CTG始终优于领域内基线和自监督基线。更值得注意的是，在两个外部验证数据集上，PRISM-CTG展现出强大的泛化能力，其性能堪比那些使用更大私有数据集训练的模型。这是首个学习领域级表示的CTG大规模基础模型，为利用未标注临床数据改善胎儿监测和结局开辟了新的途径。该模型有望在临床实践中发挥作用，辅助医生更准确地解读CTG信号，减少主观判断差异，并提高对胎儿窘迫等异常情况的早期识别能力。