PRISM-CTG（Physiology-aware Representation Learning via Integrated Self-supervision and Metadata for Cardiotocography）是一種新型的自監督基礎模型，專門為自動分析胎心監護（CTG）記錄而設計。CTG是孕期和分娩期間監測胎兒心率和子宮收縮的常用技術，但傳統的監督深度學習模型受限於小型標註數據集和有限的患者隊列，導致大量具有生理信息價值的臨牀記錄未被充分利用。為了突破這一瓶頸，研究人員提出了PRISM-CTG，通過利用大規模未標註的臨牀記錄來學習可遷移的領域級表示。
模型的預訓練採用了一個多視角自監督學習框架，聯合優化三個互補的預訓練目標：隨機投影引導的掩碼信號重建、臨牀變量預測和特徵分類。每個目標都有專用的任務特定標記（token），通過受控的交叉注意力機制實現跨臨牀上下文的信息交換。一個關鍵創新在於將患者元數據（如年齡、孕周等）重新定義為預測目標，從而將現成的臨牀信息轉化為額外的監督信號，引導模型學習臨牀上有意義的表示。
在產前和產時場景中的七個下游CTG任務上的大量實驗表明，PRISM-CTG始終優於領域內基線和自監督基線。更值得注意的是，在兩個外部驗證數據集上，PRISM-CTG展現出強大的泛化能力，其性能堪比那些使用更大私有數據集訓練的模型。這是首個學習領域級表示的CTG大規模基礎模型，為利用未標註臨牀數據改善胎兒監測和結局開闢了新的途徑。該模型有望在臨牀實踐中發揮作用，輔助醫生更準確地解讀CTG信號，減少主觀判斷差異，並提高對胎兒窘迫等異常情況的早期識別能力。