无需重放原始心电信号，持续学习模型实现多源心电数据部署

在多源心电数据部署场景中，模型常常需要整合新的数据源，而早期的原始心电信号可能无法保留或重放。传统方法通过冻结预训练主干网络并为每个数据源分配独立分类器来避免参数干扰，但在缺乏数据源元数据时仍需选择相应专家进行预测。

研究团队提出的方法基于冻结的1024维ECGFounder特征构建增量专家库。每个新到达的数据域都会添加一个平衡softmax线性专家，同时仅使用已观察数据源的保留训练特征和域标签来拟合轻量级路由器。通过验证校准的边缘规则，系统融合两个最可能的专家预测，而非仅依赖单个路由专家。

在CPSC、PTB-XL、Georgia和Chapman-Shaoxing四个心电数据集上的实验显示：在已知数据源信息时，专家选择达到0.7915±0.0036的宏F1分数，与离线独立头参考的0.7885±0.0009相当，证明了强大的专家保留能力。在无数据源标识情况下，MLP路由器达到0.7756±0.0027，而前二边缘融合达到0.7782±0.0022。前二融合相比硬MLP路由的增益较小（+0.0026），其95%置信区间包含零值。

值得注意的是，该方法虽不重放原始心电信号，但保留了冻结的训练特征用于路由器更新，因此并非完全免内存。在三种不同域顺序的测试中，前二融合与理想专家选择之间的性能差距保持在0.0111-0.0133之间，表明自主推断数据来源仍是当前方法的主要瓶颈。这项工作为医疗AI模型在实际部署中的持续学习提供了新思路。