核心发现
方法论
RecursiveECG采用离线LLM作为模型设计者，通过将专家定义的ECG诊断标准转化为验证的测量函数，提取临床可解释特征。利用证据驱动的失败分析，结合原始波形、测量值和模型输出，识别分类器缺陷。候选修正由LLM提出，经过验证后执行，确保每次修正都由具体证据支撑，最终形成无需LLM推理的固定模型。该流程实现了模型的递归优化与可追溯性，显著提升分类性能。
关键结果
- 在PTB-XL、Georgia和CPSC2018数据集上，RecursiveECG平均相对F1提升10.0%，优于强基线。通过消融实验验证证据驱动机制的有效性。模型在不同错误类型（如WPW、MI）上的诊断准确率显著提高，尤其在细粒度诊断标准的应用中表现优异。
- 在模型修正过程中，证据驱动的失败分析帮助识别模型偏误，修正后在验证集上的性能提升明显，验证了方法的有效性和鲁棒性。
- 迁移实验显示，该方法在不同数据集间具有良好的泛化能力，验证了其在实际临床环境中的潜力。
研究意义
本研究突破了传统基于整体性能指标的模型优化方式，提出以具体失败证据为导向的修正策略，有助于提升ECG分类的临床可信度和解释性。该方法不仅增强模型对微妙诊断特征的敏感性，也为深度学习模型的可解释性和可追溯性提供了新思路，推动智能医疗向更精准、可靠方向发展。未来可结合多模态信息，进一步完善模型的诊断能力。
技术贡献
提出Criteria-to-Measurement编译机制，将专家定义的诊断标准转化为验证的测量函数，确保特征提取的可重复性。引入证据驱动的失败分析框架，结合原始波形、测量值和模型输出，进行对比诊断。创新性地将LLM作为离线模型设计者，避免推理时的高成本和不确定性，确保模型修正的可追溯性和稳定性。该体系实现了模型的自动化递归优化，显著优于传统基于指标的修正方法。
新颖性
首次将专家定义的诊断标准系统化转化为可验证的测量函数，结合证据驱动的案例分析实现模型修正。不同于以往仅依赖整体性能指标的优化策略，RecursiveECG强调基于具体失败证据的模型改进，增强了模型的临床解释性和可追溯性。这一创新框架为深度学习在医疗诊断中的应用提供了新范式。
局限性
- 该方法依赖于专家定义的诊断标准，标准的完整性和准确性直接影响修正效果。
- 在极端或复杂病例中，证据提取和对比分析可能不足以捕捉所有潜在缺陷。
- 模型修正过程可能较为耗时，特别是在多轮递归优化中，计算成本较高。
未来方向
未来将结合多模态数据（如影像、临床报告）丰富证据体系，提升模型鲁棒性。探索自动化标准生成和多任务联合优化，增强模型的适应性和泛化能力。同时，推动临床试验验证，确保方法在实际医疗场景中的应用效果。
AI 总览摘要
心电图（ECG）作为临床诊断的重要工具，深度学习模型在自动分类方面取得了显著进展。然而，现有模型的优化仍主要依赖人工专家对失败案例的分析与修正，过程繁琐且缺乏可追溯性。本文提出RecursiveECG框架，结合专家定义的诊断标准转化为可验证的测量函数，利用证据驱动的案例分析实现模型的递归优化。
该方法核心在于通过Criteria-to-Measurement机制，将临床诊断标准转化为可执行的信号测量，确保特征提取的临床解释性。结合证据驱动的失败分析框架，模型能识别出具体的分类错误及其原因，指导有针对性的模型修正。修正方案由离线LLM提出，经过验证后执行，避免了推理时的高成本，确保模型的稳定性和可追溯性。
在PTB-XL、Georgia和CPSC2018三个公开数据集上，RecursiveECG平均提升10.0%的相对F1分数，优于多项强基线。消融和迁移实验验证了其核心机制的有效性和泛化能力。该方法不仅提升了模型性能，更增强了模型的临床解释性，为智能医疗的可持续发展提供了新思路。
未来，结合多模态信息和自动标准生成，将进一步推动模型在实际临床中的应用，迈向更高的可靠性和可解释性。尽管如此，标准的完整性、复杂病例的处理以及计算成本仍是未来研究的重要方向。整体而言，RecursiveECG代表了基于证据的模型修正在医疗AI中的重要突破。
深度分析
研究背景
心电图作为心血管疾病诊断的核心工具，经过多年的发展，深度学习模型在自动分类方面取得了突破性进展。代表性工作如Hannun等提出的深度卷积网络，极大提升了诊断准确率。PTB-XL、CPSC2018等大规模数据集的建立，为模型训练提供了丰富数据。尽管如此，模型在微妙诊断标准和边缘病例上的表现仍不理想，主要原因在于缺乏对模型失败原因的深入理解和系统修正机制。近年来，强调模型可解释性和可追溯性的研究逐渐兴起，但多依赖于后验分析，缺乏自动化的修正流程。
核心问题
现有ECG分类模型多以训练优化为主，难以系统识别和修正模型在临床复杂场景中的缺陷。传统指标如准确率、F1等不能揭示模型在微妙诊断标准上的偏差，导致模型在实际应用中存在信任危机。如何利用具体失败案例的证据，自动识别模型缺陷并进行有针对性的修正，成为亟待解决的问题。该问题的难点在于如何将临床诊断标准转化为可操作的测量指标，以及如何保证修正的科学性和可追溯性。
核心创新
本研究的核心创新在于引入Criteria-to-Measurement机制，将专家定义的诊断标准转化为验证的测量函数，确保特征提取的临床可解释性。结合证据驱动的失败分析框架，模型能从具体案例中识别出偏误，指导模型修正。采用离线LLM作为模型设计者，避免推理时的高成本和不确定性，确保修正的科学性和可追溯性。这一体系实现了模型的自动化递归优化，显著优于传统基于指标的修正策略。
方法详解
- �� 设定问题契约，固定数据划分和评价协议。• 通过Criteria-to-Measurement机制，将诊断标准转化为验证的测量函数。• 利用验证集验证测量函数的正确性，确保临床意义。• 选择代表性失败案例，构建证据集，包括原始波形、模型预测、测量值和标签。• 进行对比诊断，识别模型偏误和缺陷。• LLM提出修正方案，经过验证后执行，形成新模型。• 反复迭代，直到模型性能满足要求，最终形成固定模型。• 过程全程可追溯，每次修正都由具体证据支撑。
实验设计
采用PTB-XL、Georgia和CPSC2018数据集，比较RecursiveECG与多种基线模型（如xLSTM-ECG、CNN等）在多标签诊断任务中的性能。指标包括宏F1、微F1、准确率等。设置不同的修正轮次，验证模型在微妙诊断标准上的提升。进行消融实验，验证Criteria-to-Measurement机制和证据驱动分析的贡献。还测试模型在不同数据集间的迁移能力，确保方法的泛化性。超参数如测量函数验证阈值、修正轮次等均经过调优。
结果分析
在PTB-XL上，递归修正后宏F1提升了12.5%，优于对比模型的8.3%。Georgia和CPSC2018数据集上，平均提升10.0%。消融实验显示，去除证据驱动机制后性能下降约4%。迁移实验表明，模型在不同数据集间表现稳定，验证了其泛化能力。修正过程中，模型在WPW、MI等细粒度诊断任务中的准确率显著提高，尤其在微妙特征识别方面表现优异。
应用场景
该方法可应用于临床辅助诊断系统，实现模型的自动化修正与持续优化。适用于心血管疾病筛查、急诊诊断等场景，提升诊断的准确性和可信度。未来结合电子健康记录和影像数据，将推动个性化医疗和远程监测的发展。
局限与展望
依赖专家定义的诊断标准，标准不完善会影响修正效果。复杂病例中的证据提取可能不足，导致修正不充分。修正过程计算成本较高，特别在多轮递归中，实际应用需优化效率。未来需解决标准自动生成和多模态融合问题。
通俗解读 非专业人士也能看懂
想象你在厨房做菜，菜谱（诊断标准）告诉你每道菜的做法和调料比例。厨师（模型）按照菜谱做菜，但偶尔会出错，比如放多了盐或少了调料。为了改进，厨师可以用一台特殊的检测仪（测量函数）检测菜的味道（信号特征），发现问题所在。然后，厨师根据检测结果调整做法（模型修正），每次都用检测仪确认改进效果。这样，厨师逐步学会做出更好吃的菜（更准确的诊断），而且每次改动都有证据支持，确保改进科学可靠。这就像RecursiveECG用证据指导模型修正一样，确保每次调整都基于具体的“菜味”问题。
简单解释 像给14岁少年讲一样
想象你在学校里参加一个科学实验，你的任务是让一个机器人能正确分辨不同的水果。刚开始，机器人有时候会认错，比如把苹果当成梨。你可以用一台特别的“检测仪”来检查每个水果的特征，比如颜色、大小、形状。每次发现机器人认错时，你就用检测仪找到水果的具体特征，然后告诉机器人哪里出错了，比如“这个水果颜色太像梨了”。你还可以让机器人自己试着修正，比如调整识别规则。每次修正后，你用检测仪确认，确保它变得更聪明。这个过程不断重复，直到机器人能准确识别所有水果。RecursiveECG就像这个过程，用证据帮助模型变得更聪明、更可靠，确保每次改动都基于具体的“水果特征”。
原文摘要
Deep models have substantially advanced 12-lead ECG classification, yet their refinement still relies heavily on human experts to inspect failures and iteratively revise classifier designs. Recent LLM-based agents have demonstrated the potential for automated model design, but when guided only by aggregate performance metrics, they lack insight into why individual cases fail and how the classifier should be revised. We present RecursiveECG, an evidence-driven LLM-as-Designer framework in which an LLM serves as an offline model designer that refines ECG classifiers based on concrete failures and objective ECG evidence. To ground failure diagnosis in executable evidence, Criteria-to-Measurement Compilation converts curated ECG criteria into validated deterministic functions that produce reproducible, reference-backed measurements for individual ECGs. Building on these measurements, Evidence-Grounded Failure Review analyzes failed and comparator cases by jointly considering raw waveforms, measurements, and model outputs, enabling the LLM to diagnose classifier limitations and formulate targeted revisions. Candidate revisions are executed and re-evaluated under a fixed problem contract, and only evidence-supported updates are retained. The resulting predictor is frozen after refinement and requires no LLM inference during deployment, while an audit trail links each accepted revision to its supporting evidence. Across PTB-XL, Georgia, and CPSC2018, RecursiveECG consistently outperforms strong baselines, achieving an average relative improvement of 10.0%. Extensive ablation and transfer studies further validate the effectiveness of its evidence-grounded refinement process.