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資料集和有限的患者佇列，導致大量具有生理資訊價值的臨床記錄未被充分利用。為了突破這一瓶頸，研究人員提出了PRISM-CTG，透過利用大規模未標註的臨床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，聯合最佳化三個互補的預訓練目標：隨機投影引導的掩碼訊號重建、臨床變數預測和特徵分類。每個目標都有專用的任務特定標記（token），透過受控的交叉注意力機制實現跨臨床上下文的資訊交換。一個關鍵創新在於將患者後設資料（如年齡、孕周等）重新定義為預測目標，從而將現成的臨床資訊轉化為額外的監督訊號，引導模型學習臨床上有意義的表示。
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，在兩個外部驗證資料集上，PRISM-CTG展現出強大的泛化能力，其效能堪比那些使用更大私有資料集訓練的模型。這是首個學習領域級表示的CTG大規模基礎模型，為利用未標註臨床資料改善胎兒監測和結局開闢了新的途徑。該模型有望在臨床實踐中發揮作用，輔助醫生更準確地解讀CTG訊號，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。