본 논문은 심혈관 질환 진단 및 모니터링에 필수적인 심전도(ECG) 데이터의 부족 문제를 해결하기 위해, 지도학습 기반의 다중모드 ECG 표현 학습 프레임워크인 SuPreME를 제안합니다. SuPreME는 대규모 언어 모델(LLM)을 이용하여 ECG 보고서에서 구조화된 진단 레이블을 추출하고, 이를 통해 ECG 신호와 텍스트 기반 심장 질환 질의를 결합하여 사전 학습합니다. 이를 통해 추가적인 미세 조정 없이 보이지 않는 질환에 대한 제로샷 분류가 가능하며, 106가지 심장 질환을 다루는 6개의 하위 데이터셋에서 평가한 결과, 최첨단 eSSL보다 4.98% 향상된 77.20%의 제로샷 AUC 성능을 달성했습니다.
