ER-JEPA: aprender el ECG de 12 derivaciones sin etiquetas — estado del arte en un benchmark, nada clínico todavía

Un investigador propone ER-JEPA, un modelo de aprendizaje autosupervisado que aprende a representar el electrocardiograma de 12 derivaciones sin ninguna etiqueta, prediciendo una parte de la señal a partir del resto, mediante una arquitectura jerárquica de dos etapas — canales y luego tiempo — construida sobre un Vision Transformer. Preentrenado sobre unos 174 000 trazados de 10 segundos procedentes de bases chinas y brasileñas, iguala el estado del arte en el benchmark ST-MEM y lo supera en el fine-tuning sobre PTB-XL (AUC 0,936 en multietiqueta, 0,943 en multiclase), todo ello en una sola tarjeta gráfica de consumo. Pero el autor reconoce un entrenamiento inestable, el código aún no está publicado, la evaluación se limita a dos conjuntos de test públicos, y ninguna cifra se traduce en rendimiento clínico.

El contexto

El electrocardiograma (ECG) es una de las pruebas más frecuentes en medicina: rápida, no invasiva, producida por millones cada año. La paradoja, para quien quiere entrenar un modelo que lo lea, es que los trazados en bruto abundan mientras que las etiquetas — el diagnóstico que un cardiólogo asigna a cada trazado — son escasas y costosas. Es exactamente ahí donde el aprendizaje autosupervisado (self-supervised learning, SSL) resulta útil: se preentrena un modelo sobre una gran masa de datos sin etiquetar haciéndole resolver una tarea «inventada» a partir de la estructura de la señal (por ejemplo, predecir una porción enmascarada), y luego se ajusta (fine-tuning) sobre un pequeño conjunto etiquetado para la tarea clínica buscada.

Dos familias compiten en este terreno. Los autoencoders enmascarados reconstruyen la señal bruta que falta muestra a muestra; el trabajo de referencia para el ECG, ST-MEM, pertenece a esta línea. Las JEPA (Joint-Embedding Predictive Architectures), propuestas originalmente para la imagen (I-JEPA), hacen la apuesta inversa: predecir no la señal que falta sino su representación abstracta, lo que evita que el modelo malgaste capacidad reproduciendo ruido. El artículo aquí traslada esa idea al ECG.

El método

El modelo se llama ER-JEPA (Event Reconstruction Joint-Embedding Predictive Architecture). Su particularidad es apilar dos JEPA en cascada, de ahí el nombre de JEPA jerárquica (H-JEPA): un primer módulo aprende una representación a través de las doce derivaciones (los doce puntos de vista del corazón que ofrece un ECG estándar) en cada ventana temporal corta; un segundo trata luego la secuencia de esas representaciones como una serie temporal. El armazón es un Vision Transformer (ViT), la arquitectura basada en la atención que divide la entrada en fragmentos y pondera sus relaciones. Como en I-JEPA, un «encoder objetivo» se actualiza mediante una media móvil exponencial de los pesos, y la predicción ocurre en el espacio de las representaciones.

El preentrenamiento se apoya en dos grandes bases públicas de 12 derivaciones: Chapman-Shaoxing (45 152 registros, recogidos en el Shaoxing People's Hospital y el Ningbo First Hospital, China) y una submuestra de CODE-15 (de la base brasileña CODE, red de telesalud de Minas Gerais). Tras restringir a los trazados de 10 segundos y retirar los registros incompletos, quedan 174 461 trazados (43 561 chinos y 130 900 brasileños), remuestreados a 250 Hz. El entrenamiento dura unas 30 horas en una sola tarjeta NVIDIA RTX 3090 (24 GB), a lo largo de 300 epochs (pasadas completas por los datos).

La evaluación sigue la metodología del benchmark ST-MEM, sobre dos conjuntos de test públicos: PTB-XL (base alemana de la Physikalisch-Technische Bundesanstalt) y CPSC2018 (base china). Se usan dos protocolos: el linear probing (se congela el encoder preentrenado y solo se entrena un clasificador lineal encima — una prueba de la calidad bruta de las representaciones) y el fine-tuning (se reentrena todo el modelo en la tarea). Las tareas son la clasificación multietiqueta (varias anomalías posibles por trazado) y multiclase (una categoría entre varias).

Los resultados

En el benchmark ST-MEM, ER-JEPA iguala el estado del arte de los modelos autosupervisados basados en transformer sobre PTB-XL y CPSC2018. Lo supera en una configuración precisa: el fine-tuning sobre PTB-XL, con una AUC de 0,936 en multietiqueta y 0,943 en multiclase. La AUC (área bajo la curva ROC) mide la capacidad de ordenar correctamente un caso positivo por delante de uno negativo: 0,936 significa que, al extraer al azar un trazado anormal y uno normal del conjunto de test, el modelo asigna la puntuación más alta al correcto unas 94 veces de cada 100. La otra contribución reivindicada es la eficiencia: a rendimiento comparable, el modelo reduce notablemente la memoria y el tiempo de inferencia respecto a los ViT multicanal competidores.

Traducción clínica: no la hay, y conviene decirlo con claridad. El artículo no reporta ni sensibilidad ni especificidad a un umbral de decisión, ni valor predictivo, ni recuento de falsos positivos y falsos negativos en una población dada, ni curva de calibración. Una AUC de 0,936 en un benchmark de clasificación no indica cuántos infartos o arritmias se perderían o se sobredetectarían en la práctica: sitúa al modelo en un ranking metodológico, no en un servicio de cardiología. Es una evaluación de la calidad de las representaciones aprendidas, no una medida de utilidad clínica.

Lo que está bien

Un problema real, un enfoque coherente. Explotar la masa de ECG sin etiquetar mediante autosupervisión responde a una restricción real del campo. Y la estructura de dos etapas — primero entre las doce derivaciones, luego en el tiempo — reproduce la estructura misma del ECG, donde la información vive tanto en la comparación entre derivaciones como en la evolución del trazado. El preentrenamiento cruza además dos poblaciones muy distintas (China y Brasil) y la evaluación otras dos (Alemania y China), lo que enfrenta al modelo desde el principio a cierta diversidad geográfica.

Ligero, sobrio, accesible. Treinta horas en una sola RTX 3090 de consumo, una reducción notable de la memoria y el tiempo de inferencia: lo contrario de los modelos de fundación que exigen clústeres de GPU. Esta frugalidad hace el método reproducible por un laboratorio modesto y desplegable en hardware corriente. La licencia es CC BY 4.0, permisiva, lo que autoriza la reutilización, incluso comercial — lo contrario de las licencias no comerciales que bloquean todo uso real.

Una honestidad poco común sobre la fragilidad del método. El autor no oculta que apilar dos JEPA hace al modelo propenso al colapso de las representaciones (el modelo hace trampa aplastando todas las salidas hacia una constante) y que el rendimiento varía mucho con el tamaño de lote, el tamaño del conjunto y la dimensión de embedding. Documenta que alrededor del 1 % de 500 ensayos de preentrenamiento dan resultados anómalos. Reportar las propias inestabilidades, en lugar de mostrar solo el mejor ensayo, es un reflejo científico saludable.

Lo que está menos bien

Un benchmark superado no es un uso clínico. Es una métrica engañosa por omisión: toda la evaluación descansa en dos conjuntos de test públicos (PTB-XL, CPSC2018) y en AUC de clasificación, a menudo sobre tareas multietiqueta desequilibradas donde una AUC alta puede coexistir con muchos falsos positivos en términos absolutos. Ninguna calibración, ningún umbral operativo, ninguna validación prospectiva ni siquiera retrospectiva en condiciones clínicas reales. El artículo, además, reivindica sobre todo «igualar» el estado del arte; la superación se limita a una sola configuración (fine-tuning PTB-XL).

Una inestabilidad asumida, y un código aún ausente. La sensibilidad al colapso de las representaciones no es una mera curiosidad: significa que el resultado depende de ajustes delicados y que un profesional que reejecutara el entrenamiento podría caer en uno de los ensayos fallidos. Ahora bien, en el momento de la publicación el código se anuncia como «próximamente disponible» pero no se aporta, y se trata de un preprint no revisado por pares, firmado por un solo autor. Sin código ni pesos publicados, la reproducibilidad — precisamente el principal argumento de frugalidad — queda sobre palabra.

Una generalización afirmada pero no diseccionada. Es un punto ciego de tipo sesgo de población: pese a la amplitud geográfica, no se presenta ningún análisis por sexo, edad, aparato de adquisición o subtipo de patología. Los conjuntos de test son benchmarks públicos que comparten convenciones de preprocesado, lo que facilita la transferencia sin probar la robustez frente a un hospital, un equipo de ECG o una población realmente inéditos. Así pues, no sabemos dónde falla el modelo, ni para quién.

Lo que cambia

Para la comunidad de investigación, la aportación es clara y acotada: una receta de autosupervisión ligera para series temporales multivariadas, una idea reutilizable (separar explícitamente el eje de los canales y el eje del tiempo), y un señalamiento honesto de una inestabilidad que otros encontrarán. El único juez creíble de lo que venga después será la publicación del código y una evaluación que salga del benchmark: sensibilidad, especificidad y calibración sobre una cohorte clínica externa, idealmente inédita.

Para los clínicos, hoy no hay nada que desplegar: una herramienta de investigación, evaluada sobre benchmark, no validada, no aprobada, aún frágil en su comportamiento. Para los pacientes y el público general, el matiz es el mismo que para todos los «modelos de fundación» de ECG: con el tiempo, aprender a leer el ECG sin depender de un stock de etiquetas anotadas por expertos podría hacer el análisis automatizado más barato y más disponible — pero aquí se habla de investigación aguas arriba, no de un producto, y la AUC destacada describe un ranking en benchmark, no un rendimiento diagnóstico a pie de cama.

Para saber más

El preprint está disponible en arXiv (2607.01145). Sobre la lectura automatizada del ECG en condiciones clínicas, véase nuestro decryptage de un modelo de deep learning aplicado a la imagen del ECG en urgencias; sobre la predicción de arritmia a partir de un ECG portátil, el de un modelo personalizado de predicción de fibrilación auricular; y sobre lo que valen realmente las representaciones de los modelos autosupervisados una vez sondeadas, el de un probing de modelos de fundación en oncología.

Transparencia editorial: versión francesa redactada y firmada por la redacción de Tatakoto a partir de la lectura del preprint. Traducciones al inglés, español y chino producidas con asistencia de IA y revisadas.