스마트워치 및 휴대용 ECG 기록기와 같은 현장 진단(Point-of-care) 심장 장치들은 일반적으로 12개의 리드(lead)를 캡처하지만, 기존의 ECG 파운데이션 모델(foundation models)은 구조적으로 고정된 12리드 입력에 제한되어 있어 이러한 축소된 구성 하에서는 성능이 저하되거나 실패합니다. 우리는 제로 패딩(zero-padding)이나 구조적 수정 없이도 어떤 리드 서브셋(subset)이든 네이티브하게 처리할 수 있는 7M 파라미터 규모의 ECG 파운데이션 모델인 LAEF (Lead-Agnostic ECG Foundation)를 소개합니다. LAEF는 ECG를 생리학적으로 동기화된 리드 내(intra-lead) 및 리드 간(inter-lead) 연결성을 가진 가변 크기의 시공간 그래프(spatiotemporal graphs)로 표현하며, 이는 활성 리드 수에 따라 자연스럽게 확장되는 그래프 어텐션 네트워크(Graph Attention Network, GAT)에 의해 처리됩니다. 확률적 리드 샘플링(stochastic lead sampling)을 이용한 마스크 노드 모델링(masked node modelling)을 통해 9.2M 개의 12리드 ECG로 사전 학습된 LAEF는 리드 구성에 강건한 표현(representations)을 학습합니다. 18개의 다운스트림 데이터셋(downstream datasets) 전반에 걸쳐, LAEF는 모든 리드가 가용할 때 12배 더 큰 전문화된 12리드 베이스라인(baselines) 모델들과 대등한 성능을 보여줍니다. 직접적인 현장 진단 지향적 진단(12개 리드) 환경에서는, 단일 무작위 샘플링 리드 사용 시 18개 데이터셋 중 17개에서, 2개 리드 사용 시 18개 중 14개 데이터셋에서 모든 제로 패딩 대안 모델들을 능가하였으며, 평균 AUROC에서 +3.2 포인트의 이득을 기록했습니다. 표현 분석(Representation analysis)은 이러한 이점이 구조적 리드 불가지론성(lead-agnosticism)과 연결되어 있음을 보여주며, 164가지 심혈관 질환에 대한 리드 중요도 연구는 인구 수준의 성능이 단일 표준 입력 리드에 대해 안정적이면서도, 기존의 임상적 리드-질환 연관성을 여전히 회복할 수 있음을 보여줍니다.