論文の概要: Improving ECG Classification Interpretability using Saliency Maps

• arxiv url: http://arxiv.org/abs/2201.04070v1
• Date: Mon, 10 Jan 2022 16:12:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-12 22:03:20.013959
• Title: Improving ECG Classification Interpretability using Saliency Maps
• Title（参考訳）: 塩分マップを用いた心電図分類可能性の向上
• Authors: Ms Yola Jones, Dr Fani Deligianni, Dr Jeff Dalton
• Abstract要約: 我々は,MIT-BIH不整脈データセットにおいて,各クラスにまたがるモデル決定を可視化する手法を提案する。 本稿では,一般化可能性やモデル性能に影響を及ぼす可能性のある問題を見つけるために,これらのマップをどのように利用できるかを強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiovascular disease is a large worldwide healthcare issue; symptoms often present suddenly with minimal warning. The electrocardiogram (ECG) is a fast, simple and reliable method of evaluating the health of the heart, by measuring electrical activity recorded through electrodes placed on the skin. ECGs often need to be analyzed by a cardiologist, taking time which could be spent on improving patient care and outcomes. Because of this, automatic ECG classification systems using machine learning have been proposed, which can learn complex interactions between ECG features and use this to detect abnormalities. However, algorithms built for this purpose often fail to generalize well to unseen data, reporting initially impressive results which drop dramatically when applied to new environments. Additionally, machine learning algorithms suffer a "black-box" issue, in which it is difficult to determine how a decision has been made. This is vital for applications in healthcare, as clinicians need to be able to verify the process of evaluation in order to trust the algorithm. This paper proposes a method for visualizing model decisions across each class in the MIT-BIH arrhythmia dataset, using adapted saliency maps averaged across complete classes to determine what patterns are being learned. We do this by building two algorithms based on state-of-the-art models. This paper highlights how these maps can be used to find problems in the model which could be affecting generalizability and model performance. Comparing saliency maps across complete classes gives an overall impression of confounding variables or other biases in the model, unlike what would be highlighted when comparing saliency maps on an ECG-by-ECG basis.
• Abstract（参考訳）: 心臓血管疾患は世界規模の医療問題であり、症状は最小限の警告で突然現れることが多い。 心電図 (ECG) は、皮膚に置かれた電極を通して記録された電気活動を測定することにより、心臓の健康を評価する高速でシンプルで信頼性の高い方法である。 心電図は、しばしば心臓科医によって分析され、患者のケアと結果を改善するために時間を費やす必要がある。 このため、機械学習を用いた自動ECG分類システムが提案され、ECG特徴間の複雑な相互作用を学習し、異常を検出することができる。 しかし、この目的のために構築されたアルゴリズムは、しばしば見当たらないデータにうまく一般化できず、最初の印象的な結果を報告し、新しい環境に適用すると劇的に低下する。 さらに、機械学習アルゴリズムは「ブラックボックス」の問題に苦しんでおり、意思決定の方法を決定するのが困難である。 臨床医はアルゴリズムを信頼するために評価のプロセスを検証する必要があるため、これは医療分野での応用に不可欠である。 本稿では,mit-bih arrhythmiaデータセットにおける各クラス間のモデル決定を可視化する方法を提案する。 最先端モデルに基づく2つのアルゴリズムを構築することでこれを実現します。 本稿では,これらの地図を用いて,一般化可能性やモデル性能に影響を与える可能性のある問題の探索を行う方法について述べる。 完全クラスでサリエンシマップを比較すると、ECGベースでサリエンシマップを比較する際に強調されるものとは異なり、モデル内の変数やその他のバイアスの相違に対する全体的な印象が得られる。

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)
• 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)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• Multi-scale Cross-restoration Framework for Electrocardiogram Anomaly Detection [33.48389041651675]
  心電図(Electrocardiogram、ECG)は、心疾患の診断に広く用いられるツールである。 希少な心疾患は、トレーニングデータセットがすべての心疾患を排出できないことを考慮して、従来の心電図解析を用いて診断されることがある。 本稿では、異常検出を用いて不健康状態を特定し、通常の心電図をトレーニング用として用いることを提案する。
  論文  参考訳（メタデータ） (2023-08-03T09:16:57Z)
• ElectroCardioGuard: Preventing Patient Misidentification in Electrocardiogram Databases through Neural Networks [0.0]
  臨床的には, 誤診患者に対する心電図記録の割り当ては不注意に発生することがある。 本稿では,2つの心電図が同一患者に由来するかどうかを判定する,小型で効率的な神経ネットワークモデルを提案する。 PTB-XL 上でのギャラリープローブによる患者識別において、760 倍のパラメータを用いて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-06-09T18:53:25Z)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• 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)
• 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)
• Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A Comparative Study [43.26668942258135]
  脳MRIにおけるunsupervised Anomaly Detection(UAD)の新しいアプローチ これらの研究の主な原理は、正常なデータの圧縮と回復を学ぶことによって、正常な解剖学のモデルを学ぶことである。 概念は,医療画像分析のコミュニティにとって大きな関心事である。i) 膨大な量の手作業によるトレーニングデータの必要性から解放される。
  論文  参考訳（メタデータ） (2020-04-07T11:12:07Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。