Claudioma15/ECG-Protocol-Guided-Grounding-CoT

ECG-Protocol-Guided-Grounding-CoT数据集是用于可靠心电图（ECG）解释的多模态大语言模型（MLLM）训练的数据集。它通过协议引导的指令数据生成方法构建，基于可测量的ECG特征、专着定义的定量阈值和诊断逻辑来生成解释语料库，旨在提高ECG解释的准确性和可靠性。数据集包含三个配置：base（基础配置，包含30k条数据）、rl（强化学习配置，包含4k条数据）和ecg_instruct（ECG指令配置），每个配置都对应一个JSONL文件，用于训练ECG-R1模型。该数据集支持图像-文本到文本任务，专注于医疗、生物学和ECG推理领域，语言为英语。--- license: Apache-2.0许可证 任务类别： - 图像-文本转文本 语言： - 英语 标签： - 医疗 - 生物学 - 心电图（Electrocardiography, ECG） - 推理 配置项： - 配置名称：base 数据文件： - 拆分方式：训练集 路径：ecg_jsons/train_set/ECG-Protocol-Guided-Grounding-CoT-30k.jsonl - 配置名称：rl 数据文件： - 拆分方式：训练集 路径：ecg_jsons/train_set/ECG-Protocol-Guided-Grounding-CoT-RL-4k.jsonl - 配置名称：ecg_instruct 数据文件： - 拆分方式：训练集 路径：ecg_jsons/train_set/ECGInstruct.jsonl --- <div align="center"> <h1> ECG-R1：面向可靠心电图解读的协议引导与模态无关多模态大语言模型（Multimodal Large Language Model, MLLM）</h1> <h5 align="center"> 若本项目对你有所帮助，请为我们点亮Star🌟。</h5> <h5 align="center"> <a href='https://arxiv.org/pdf/2602.04279'><img src='https://img.shields.io/badge/Paper-Arxiv-red'></a>论文：Arxiv <a href='https://huggingface.co/PKUDigitalHealth/ECG-R1-8B-RL'><img src='https://img.shields.io/badge/%F0%9F%A4%97%20Hugging%20Face-Models-blue'>🤗 Hugging Face 模型 <a href='https://huggingface.co/datasets/PKUDigitalHealth/ECG-Protocol-Guided-Grounding-CoT'><img src='https://img.shields.io/badge/Dataset-Huggingface-yellow'>数据集：HuggingFace 数据集 <p align="center"> 金佳瑞、王浩宇、吴星亮、方晓程、兰翔、王梓涵<br/> 张德运、刘博、张莹莹、吴贤、李红岩、洪深达 </p> </h5> </div> ## 引言 心电图（Electrocardiography, ECG）是临床实践中不可或缺的诊断工具，但现有的多模态大语言模型（Multimodal Large Language Model, MLLM）在心电图解读任务中仍可靠性不足，时常生成看似合理但不符合临床规范的分析结果。为解决这一问题，我们提出ECG-R1，首个专为可靠心电图解读设计的推理型多模态大语言模型，其创新点主要包含三方面：其一，我们通过协议引导的指令数据生成方法构建解读语料库，将解读过程锚定在可量化的心电图特征、专著定义的定量阈值及诊断逻辑之上；其二，我们提出采用交错模态丢弃（Interleaved Modality Dropout）的模态解耦架构，以在心电图信号或心电图图像缺失时提升模型鲁棒性与跨模态一致性；其三，我们引入基于心电图诊断证据奖励的强化学习（Reinforcement Learning, RL）方法，强化以证据为基础的心电图解读能力。此外，我们系统性评估了闭源、开源及医疗专用多模态大语言模型的心电图解读能力，并首次通过定量数据证实严重幻觉现象普遍存在，这表明公众在未经过独立验证的情况下，不应直接轻信这些模型的输出结果。本项目的代码与数据已分别在[Github](https://github.com/PKUDigitalHealth/ECG-R1)和[HuggingFace](https://huggingface.co/datasets/PKUDigitalHealth/ECG-Protocol-Guided-Grounding-CoT)公开，同时可通过[ECG-R1在线平台](http://ai.heartvoice.com.cn/ECG-R1/)访问在线演示。 ## 资源 #### 论文：📄 [Arxiv](https://arxiv.org/pdf/2602.04279) #### Github仓库：⌨ [Github](https://github.com/PKUDigitalHealth/ECG-R1) #### 模型：🤗 [ECG-R1-8B-RL](https://huggingface.co/PKUDigitalHealth/ECG-R1-8B-RL) #### 数据集：🤗 [ECG-Protocol-Guided-Grounding-CoT](https://huggingface.co/datasets/PKUDigitalHealth/ECG-Protocol-Guided-Grounding-CoT) #### 项目主页：🌐 [在线平台](http://ai.heartvoice.com.cn/ECG-R1/) ## 引用 若ECG-R1对你的研究与应用有所帮助，请引用我们的论文： bibtex @misc{jin2026ecgr1, title={ECG-R1: Protocol-Guided and Modality-Agnostic MLLM for Reliable ECG Interpretation}, author={Jiarui Jin and Haoyu Wang and Xingliang Wu and Xiaocheng Fang and Xiang Lan and Zihan Wang and Deyun Zhang and Bo Liu and Yingying Zhang and Xian Wu and Hongyan Li and Shenda Hong}, year={2026}, eprint={2602.04279}, archivePrefix={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2602.04279}, } ## 致谢 我们感谢[PULSE](https://github.com/AIMedLab/PULSE/tree/dev)、[ECG-Chat](https://github.com/YubaoZhao/ECG-Chat)、[GEM](https://github.com/lanxiang1017/GEM)及[Swift](https://github.com/modelscope/ms-swift)的作者公开分享其模型、数据集与训练代码。