본 논문은 심전도(ECG)와 진단 보고서 간의 불완전한 정합 문제를 해결하기 위해 FG-CLEP (Fine-Grained Contrastive Language ECG Pre-training) 방법을 제안합니다. 기존 ECG-텍스트 대조 학습 방법들은 보고서의 불완전성을 고려하지 않고, 심전도 파형 특징이 보고서에 기록되지 않는 경우가 많다는 점을 간과합니다. FG-CLEP는 대규모 언어 모델(LLM)을 활용하여 불완전한 보고서에서 파형 특징을 복원하고, 환각 및 파형 특징과 진단 간의 일대일 대응 관계 부재 문제를 해결합니다. 또한, 빈번한 위음성 문제를 완화하기 위해 의미 유사성 행렬을 도입하고, 다중 레이블 특성을 고려한 시그모이드 기반 손실 함수를 사용합니다. 여섯 개의 데이터셋에서의 실험 결과, FG-CLEP는 제로샷 예측 및 선형 프로빙 모두에서 최첨단 방법들을 능가하는 성능을 보였습니다.
