Fugu-MT 論文翻訳(概要): Evaluating Feature Attribution Methods for Electrocardiogram

論文の概要: Evaluating Feature Attribution Methods for Electrocardiogram

arxiv url: http://arxiv.org/abs/2211.12702v2
Date: Tue, 22 Oct 2024 07:57:55 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-23 14:25:48.363096
Title: Evaluating Feature Attribution Methods for Electrocardiogram
Title（参考訳）: 心電図の特徴属性法の評価
Authors: Jangwon Suh, Jimyeong Kim, Euna Jung, Wonjong Rhee,
Abstract要約: 我々は,ECGの特性に基づいて,特徴帰属手法の3つの評価指標を特定し,カスタマイズする。広範に利用されている特徴属性法を11種類評価し,解析した。特徴帰属手法のいくつかはECGの説明に適しており、Grad-CAMは2番目に良い方法よりも大きなマージンで優れている。
参考スコア（独自算出の注目度）: 2.6999000177990924
License:
Abstract: The performance of cardiac arrhythmia detection with electrocardiograms(ECGs) has been considerably improved since the introduction of deep learning models. In practice, the high performance alone is not sufficient and a proper explanation is also required. Recently, researchers have started adopting feature attribution methods to address this requirement, but it has been unclear which of the methods are appropriate for ECG. In this work, we identify and customize three evaluation metrics for feature attribution methods based on the characteristics of ECG: localization score, pointing game, and degradation score. Using the three evaluation metrics, we evaluate and analyze eleven widely-used feature attribution methods. We find that some of the feature attribution methods are much more adequate for explaining ECG, where Grad-CAM outperforms the second-best method by a large margin.
Abstract（参考訳）: 心電図(ECG)を用いた心不整脈検出は,ディープラーニングモデルの導入以降,大幅に改善されている。実際には、ハイパフォーマンスだけでは不十分であり、適切な説明も必要である。近年,この要件に対処する特徴属性法の採用が始まっているが,どの手法がECGに適しているのかは定かではない。本研究は,ECGの特徴に基づく特徴帰属手法の3つの評価指標(ローカライゼーションスコア,ポインティングゲーム,劣化スコア)を特定し,カスタマイズする。 3つの評価指標を用いて,広く利用されている11種類の特徴属性の評価と分析を行った。特徴帰属手法のいくつかはECGの説明に適しており、Grad-CAMは2番目に良い方法よりも大きなマージンで優れている。

関連論文リスト

Graph Neural Networks for Topological Feature Extraction in ECG Classification [11.337163242503166]
グラフニューラルネットワークを用いて心拍を分類する3つの手法を提案する。提案した3つの手法は、それぞれ99.38、98.76、91.93パーセントの精度で不整脈分類予測を行うことができる。
論文参考訳（メタデータ） (2023-11-02T16:14:34Z)
ECG-SL: Electrocardiogram(ECG) Segment Learning, a deep learning method for ECG signal [19.885905393439014]
本稿では,ECG信号の周期的性質をモデル化する新しいECG-Segment Based Learning (ECG-SL) フレームワークを提案する。この構造的特徴に基づき, 時間的モデルを用いて, 各種臨床業務の時間的情報学習を行う。提案手法はベースラインモデルより優れ,3つの臨床応用におけるタスク固有手法と比較して競争性能が向上する。
論文参考訳（メタデータ） (2023-10-01T23:17:55Z)
DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文参考訳（メタデータ） (2023-09-07T13:43:46Z)
In-Distribution and Out-of-Distribution Self-supervised ECG Representation Learning for Arrhythmia Detection [21.222167116069144]
本稿では,心電図不整脈検出のための自己監視学習法(SSL)の有効性について,系統的な検討を行った。まず、一般的なECGベースの不整脈データセットであるTB-XL、Chapman、Ribeiroの3つのデータ分布を新たに解析することから始める。次に、異なる拡張とパラメータを用いて包括的な実験を行い、様々なSSLメソッドの有効性を評価する。分析の結果,SSL手法は最先端の手法によって達成された手法に対して高い競争力を発揮することがわかった。
論文参考訳（メタデータ） (2023-04-13T11:46:32Z)
ECG Feature Importance Rankings: Cardiologists vs. Algorithms [2.1680064609482397]
心臓科領域における実世界のデータに対するテストに特徴的重要度手法を適用した。いくつかの手法はうまく機能し、他の手法はうまく機能しなかったが、いくつかの手法は考慮されたすべての問題に対してうまく機能した。
論文参考訳（メタデータ） (2023-04-05T16:48:24Z)
Lead-agnostic Self-supervised Learning for Local and Global Representations of Electrocardiogram [6.497259394685037]
本稿では,局所的およびグローバルな文脈表現を学習し,下流タスクの一般化性と性能を向上させるためのECG事前学習手法を提案する。心臓不整脈分類と患者同定の2つの下流課題に対する実験結果から,提案手法が他の最先端手法よりも優れていることが示された。
論文参考訳（メタデータ） (2022-03-14T07:10:39Z)
Nuclei Segmentation with Point Annotations from Pathology Images via Self-Supervised Learning and Co-Training [44.13451004973818]
核分割のための弱い教師付き学習法を提案する。粗いピクセルレベルのラベルは、ボロノイ図に基づく点アノテーションから導かれる。病理画像の核分割に適した自己教師付き視覚表現学習法を提案する。
論文参考訳（メタデータ） (2022-02-16T17:08:44Z)
Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。第2段階は、心拍を幅または幅に分類する分類NNである。第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文参考訳（メタデータ） (2020-11-17T16:15:49Z)
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)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。