論文の概要: SIM-ECG: A Signal Importance Mask-driven ECGClassification System
- arxiv url: http://arxiv.org/abs/2110.14835v1
- Date: Thu, 28 Oct 2021 01:27:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-30 08:17:16.782648
- Title: SIM-ECG: A Signal Importance Mask-driven ECGClassification System
- Title（参考訳）: SIM-ECG: マスク駆動ECG分類システム
- Authors: Dharma KC, Chicheng Zhang, Chris Gniady, Parth Sandeep Agarwal, Sushil
Sharma
- Abstract要約: 心臓病は1番のキラーであり、心電図は早期診断と致命的な結果の予防に役立つ。
現在のシステムは、熟練したECGリーダーほど正確ではなく、診断を提供するブラックボックスアプローチは、医療従事者による信頼の欠如をもたらす。
本稿では,フィードバックを継続的に受け取り,精度を向上し,その結果の診断を除外する,信号重要マスクフィードバックに基づく機械学習システムを提案する。
- 参考スコア（独自算出の注目度）: 11.030532126096006
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heart disease is the number one killer, and ECGs can assist in the early
diagnosis and prevention of deadly outcomes. Accurate ECG interpretation is
critical in detecting heart diseases; however, they are often misinterpreted
due to a lack of training or insufficient time spent to detect minute
anomalies. Subsequently, researchers turned to machine learning to assist in
the analysis. However, existing systems are not as accurate as skilled ECG
readers, and black-box approaches to providing diagnosis result in a lack of
trust by medical personnel in a given diagnosis. To address these issues, we
propose a signal importance mask feedback-based machine learning system that
continuously accepts feedback, improves accuracy, and ex-plains the resulting
diagnosis. This allows medical personnel to quickly glance at the output and
either accept the results, validate the explanation and diagnosis, or quickly
correct areas of misinterpretation, giving feedback to the system for
improvement. We have tested our system on a publicly available dataset
consisting of healthy and disease-indicating samples. We empirically show that
our algorithm is better in terms of standard performance measures such as
F-score and MacroAUC compared to normal training baseline (without feedback);
we also show that our model generates better interpretability maps.
- Abstract（参考訳）: 心疾患は1番のキラーであり、心電図は致命的な結果の早期診断と予防を助けることができる。
正確な心電図の解釈は心臓疾患の検出には重要であるが、訓練の欠如や微小な異常の検出に要する時間不足のために誤解されることが多い。
その後、研究者たちは機械学習を使って分析を支援した。
しかし、既存のシステムは熟練したECGリーダーほど正確ではなく、診断を提供するブラックボックスアプローチは、特定の診断において医療従事者による信頼の欠如をもたらす。
これらの課題に対処するために,フィードバックを継続的に受け取り,精度を向上し,その結果の診断を除外する信号重要マスフィードバックに基づく機械学習システムを提案する。
これにより、医療関係者はすぐにアウトプットを視認し、結果を受け入れ、説明と診断を検証したり、誤解の領域を素早く修正したり、改善のためのフィードバックをシステムに与えることができる。
健康および病原性を示すサンプルからなる公開データセットを用いて,本システムを試験した。
f-score や macroauc などの標準性能尺度では,通常のトレーニングベースライン(フィードバックなし)よりもアルゴリズムが優れていることを実証的に示すとともに,モデルがよりよい解釈可能性マップを生成することを示す。
関連論文リスト
- Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。
心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。
本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文 参考訳（メタデータ） (2024-10-08T10:03:52Z) - MAGDA: Multi-agent guideline-driven diagnostic assistance [43.15066219293877]
救急部門、地方病院、または未開発地域の診療所では、臨床医は訓練された放射線技師による高速な画像分析を欠いていることが多い。
本研究では,ゼロショットガイドライン駆動意思決定支援のための新しいアプローチを提案する。
我々は、患者診断に到達するために協調する、対照的な視覚言語モデルで強化された複数のLLMエージェントのシステムをモデル化する。
論文 参考訳（メタデータ） (2024-09-10T09:10:30Z) - ECG Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。
新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。
DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
論文 参考訳（メタデータ） (2024-07-25T13:27:10Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Hierarchical Deep Learning with Generative Adversarial Network for
Automatic Cardiac Diagnosis from ECG Signals [2.5008947886814186]
本稿では,ECG信号の自動診断のためのGAN(Generative Adversarial Network)を用いた2階層型階層型ディープラーニングフレームワークを提案する。
第1レベルのモデルはメモリ拡張DeepオートエンコーダとGANで構成されており、異常信号と通常のECGを区別して異常検出を行う。
第2レベルの学習は、異なる不整脈識別のための堅牢な多クラス分類を目指している。
論文 参考訳（メタデータ） (2022-10-19T12:29:05Z) - A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。
各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
論文 参考訳（メタデータ） (2022-08-29T05:01:04Z) - Identifying Electrocardiogram Abnormalities Using a
Handcrafted-Rule-Enhanced Neural Network [18.859487271034336]
我々は、深層学習に基づく心電図解析に臨床知識を提供するために、畳み込みニューラルネットワークにいくつかのルールを導入する。
我々の新しいアプローチは、既存の最先端の手法をかなり上回っている。
論文 参考訳（メタデータ） (2022-06-16T04:42:57Z) - NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model
with Logic Regularization [59.15047491202254]
症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。
本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。
以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
論文 参考訳（メタデータ） (2022-06-02T07:57:17Z) - ECG-Based Heart Arrhythmia Diagnosis Through Attentional Convolutional
Neural Networks [9.410102957429705]
本稿では,意図に基づく畳み込みニューラルネットワーク(ABCNN)を用いて生の心電図信号に対処し,正確な不整脈検出のための情報的依存関係を自動的に抽出する手法を提案する。
我々の主な課題は、正常な心拍から不整脈を見つけ、その間に5種類の不整脈から心疾患を正確に認識することである。
実験の結果,提案するABCNNは広く使用されているベースラインよりも優れていた。
論文 参考訳（メタデータ） (2021-08-18T14:55:46Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳（メタデータ） (2021-03-02T13:14:15Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。