Сердце стучит как барабан в соседней комнате: по ритму и глухоте удара опытный врач угадывает, что там — расширенная камера, утолщённая стенка или заслонка, которая хлопает не в такт. Но чтобы увидеть это наверняка, пациента укладывают на кушетку и водят датчиком по груди — делают эхокардиографию (УЗИ сердца). Процедура дорогая и требует специалиста, а очередь растягивается на недели.

Авторы работы взяли открытый набор данных EchoNext Mini-Model — тысячи записей, где у каждого пациента есть и обычная электрокардиограмма (ЭКГ), и заключение УЗИ. Они сравнили три стратегии: классический подход с ручной нарезкой признаков и градиентным бустингом, обучение нейросети с нуля прямо по кривым ЭКГ, и перенос знаний от больших предобученных моделей, которые уже «видели» миллионы кардиограмм. Перенос резко обошёл остальные, особенно когда модель сначала дообучили на сырых сигналах из целевой базы без диагнозов — как музыкант, который перед выступлением настраивается на акустику зала. Такой адаптированный «фундамент» дал лучшие метрики: площадь под кривой ошибок (AUROC) 0.85 и точность положительных предсказаний (AUPRC) 0.43 по всем шести меткам.

Инженеры проверили и щадящие режимы тонкой настройки — LoRA (низкоранговая адаптация) позволила сохранить качество при вдвое меньшем числе обучаемых параметров. Это значит, что такую модель можно быстрее и дешевле внедрить в больнице, не переобучая её с нуля под каждый новый аппарат ЭКГ. Итог прост: чтобы кардиограмма заговорила языком УЗИ, ей нужен не громоздкий переводчик, а короткая «настройка на местности».