Fugu-MT 論文翻訳(概要): A Multi-View Learning Approach to Enhance Automatic 12-Lead ECG Diagnosis Performance

論文の概要: A Multi-View Learning Approach to Enhance Automatic 12-Lead ECG Diagnosis Performance

arxiv url: http://arxiv.org/abs/2208.00323v1
Date: Sat, 30 Jul 2022 23:43:01 GMT
ステータス: 処理完了
システム内更新日: 2022-08-02 13:18:07.537513
Title: A Multi-View Learning Approach to Enhance Automatic 12-Lead ECG Diagnosis Performance
Title（参考訳）: 自動12誘導心電図診断性能向上のための多視点学習手法
Authors: Jae-Won Choi, Dae-Yong Hong, Chan Jung, Eugene Hwang, Sung-Hyuk Park, and Seung-Young Roh
Abstract要約: 本研究は,従来の12誘導心電図診断法よりも高い性能を実現するために,ECG拡張技術を用いたアンサンブルに基づく多視点学習手法を提案する。提案モデルでは,F1スコアが0.840であり,文献における既存の最先端手法よりも優れていた。
参考スコア（独自算出の注目度）: 0.240137930000971
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The performances of commonly used electrocardiogram (ECG) diagnosis models have recently improved with the introduction of deep learning (DL). However, the impact of various combinations of multiple DL components and/or the role of data augmentation techniques on the diagnosis have not been sufficiently investigated. This study proposes an ensemble-based multi-view learning approach with an ECG augmentation technique to achieve a higher performance than traditional automatic 12-lead ECG diagnosis methods. The data analysis results show that the proposed model reports an F1 score of 0.840, which outperforms existing state-ofthe-art methods in the literature.
Abstract（参考訳）: 近年,Deep Learning (DL) の導入により心電図(ECG)診断モデルの性能が向上した。しかし,複数のDL成分の組み合わせおよび/またはデータ拡張技術が診断に与える影響は十分に研究されていない。本研究は,従来の12誘導心電図診断法よりも高い性能を実現するために,ECG拡張技術を用いたアンサンブルに基づく多視点学習手法を提案する。データ分析の結果,提案モデルではF1スコアが0.840であり,文献における既存の最先端手法よりも優れていた。

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)
Foundation Models for ECG: Leveraging Hybrid Self-Supervised Learning for Advanced Cardiac Diagnostics [2.948318253609515]
自己教師付き学習(SSL)法で強化された基礎モデルを用いることで、心電図(ECG)解析に対する革新的なアプローチが提示される。本研究は、生成学習やコントラスト学習を含むSSL手法を利用して、ECGの基礎モデルを包括的に評価する。心臓診断の精度と信頼性を向上させる基礎モデルのためのハイブリッドラーニング(HL)を開発した。
論文参考訳（メタデータ） (2024-06-26T02:24:13Z)
Methodology and Real-World Applications of Dynamic Uncertain Causality Graph for Clinical Diagnosis with Explainability and Invariance [41.373856519548404]
Dynamic Uncertain Causality Graph (DUCG)アプローチは、さまざまなアプリケーションシナリオで因果性駆動、説明可能、不変である。 54件の主訴を含む46件のDUCGモデルが製造された。実際の診断は100万件以上行われており、誤診断は17例に過ぎなかった。
論文参考訳（メタデータ） (2024-06-09T11:37:45Z)
MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-07T23:20:56Z)
A Dual-scale Lead-seperated Transformer With Lead-orthogonal Attention And Meta-information For Ecg Classification [26.07181634056045]
本研究は、鉛直交注意とメタ情報(DLTM-ECG)を併用したデュアルスケールリード分離変圧器を提案する。 ECGセグメントは独立パッチとして解釈され、縮小次元信号と共に二重スケールの表現を形成する。我々の研究は、同様の多チャンネル生体電気信号処理や生理的多モードタスクの可能性を秘めている。
論文参考訳（メタデータ） (2022-11-23T08:45:34Z)
IMLE-Net: An Interpretable Multi-level Multi-channel Model for ECG Classification [0.9449650062296824]
臨床環境では、心臓科医が標準12チャンネル心電図記録に基づいて診断を行う。本稿では,標準ECG記録で利用可能なマルチチャネル情報を活用し,ビート,リズム,チャネルレベルのパターンを学習するモデルを提案する。実験結果から,マクロ平均ROC-AUCスコアは0.9216,平均精度は88.85%,最大F1スコアは0.8057であった。
論文参考訳（メタデータ） (2022-04-06T16:29:10Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
Interpretable Deep Learning for Automatic Diagnosis of 12-lead Electrocardiogram [15.464768773761527]
12誘導心電図記録における心不整脈のマルチラベル分類のためのディープニューラルネットワークを開発した。提案モデルでは、受信機動作特性曲線(AUC)0.970、F1スコア0.813の平均領域を達成した。最も優れたリードは、12のリードのうち、リードI、aVR、V5である。
論文参考訳（メタデータ） (2020-10-20T14:51:00Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)
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。