論文の概要: HeartBEiT: Vision Transformer for Electrocardiogram Data Improves
Diagnostic Performance at Low Sample Sizes
- arxiv url: http://arxiv.org/abs/2212.14040v1
- Date: Tue, 13 Dec 2022 16:39:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 14:24:48.151623
- Title: HeartBEiT: Vision Transformer for Electrocardiogram Data Improves
Diagnostic Performance at Low Sample Sizes
- Title(参考訳): heartbeit:心電図データ用視覚トランスフォーマは、低サンプルサイズでの診断性能を改善する
- Authors: Akhil Vaid (1-4), Joy Jiang (1-2), Ashwin Sawant (5), Stamatios
Lerakis (6,7), Edgar Argulian (6,7), Yuri Ahuja (8), Joshua Lampert (6,7),
Alexander Charney (3,9,10), Hayit Greenspan (11), Benjamin Glicksberg (3,4),
Jagat Narula (6,7), Girish Nadkarni (1-4,12) ((1) The Charles Bronfman
Institute for Personalized Medicine, Icahn School of Medicine at Mount Sinai,
New York, New York (2) Mount Sinai Clinical Intelligence Center, Icahn School
of Medicine at Mount Sinai, New York, New York (3) Department of Genetics and
Genomic Sciences, Icahn School of Medicine at Mount Sinai, New York, New York
(4) The Hasso Plattner Institute for Digital Health at Mount Sinai, New York,
New York. (5) Department of Medicine, Icahn School of Medicine at Mount
Sinai, New York, New York, USA (6) Mount Sinai Heart, Icahn School of
Medicine at Mount Sinai, New York, NY, USA (7) Department of Cardiology,
Icahn School of Medicine at Mount Sinai, New York, NY, USA (8) Department of
Medicine, NYU Langone Health, New York, NY, USA. (9) The Pamela Sklar
Division of Psychiatric Genomics, Icahn School of Medicine at Mount Sinai,
New York, New York. (10) Department of Psychiatry, Icahn School of Medicine
at Mount Sinai, New York, New York. (11) Department of Biomedical
Engineering, Tel Aviv University, Tel Aviv, Israel. (12) Division of
Nephrology, Department of Medicine, Icahn School of Medicine at Mount Sinai,
New York, New York)
- Abstract要約: 心電図波形解析のための第1の視覚ベーストランスモデルHeartBEiTを開発した。
その結果,HeartBEiTは,他のモデルに比べて試料サイズが小さく,高い性能を示した。
また、HeartBEiTは、EKGと標準CNNの生物学的関連領域を強調することにより、診断の説明可能性を向上させることを示した。
- 参考スコア(独自算出の注目度): 28.88454028731653
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The electrocardiogram (ECG) is a ubiquitous diagnostic modality.
Convolutional neural networks (CNNs) applied towards ECG analysis require large
sample sizes, and transfer learning approaches result in suboptimal performance
when pre-training is done on natural images. We leveraged masked image modeling
to create the first vision-based transformer model, HeartBEiT, for
electrocardiogram waveform analysis. We pre-trained this model on 8.5 million
ECGs and then compared performance vs. standard CNN architectures for diagnosis
of hypertrophic cardiomyopathy, low left ventricular ejection fraction and ST
elevation myocardial infarction using differing training sample sizes and
independent validation datasets. We show that HeartBEiT has significantly
higher performance at lower sample sizes compared to other models. Finally, we
also show that HeartBEiT improves explainability of diagnosis by highlighting
biologically relevant regions of the EKG vs. standard CNNs. Thus, we present
the first vision-based waveform transformer that can be used to develop
specialized models for ECG analysis especially at low sample sizes.
- Abstract(参考訳): 心電図 (ECG) はユビキタスな診断法である。
ECG分析に応用された畳み込みニューラルネットワーク(CNN)は、大きなサンプルサイズを必要とする。
心電図波形解析において,マスク画像モデルを用いて最初の視覚ベースのトランスフォーマーモデルHeartBEiTを開発した。
我々は850万心電図で事前トレーニングを行い、その後、肥大型心筋症、低左室放出率、ST上昇心筋梗塞の診断における標準CNNアーキテクチャーと比較した。
その結果,HeartBEiTは,他のモデルに比べて試料サイズが小さく,高い性能を示した。
最後に、心電図と標準cnnの生物学的関連領域を強調することにより、心電図は診断の可読性を向上させることを示した。
そこで本研究では,ECG解析のための特殊なモデルの開発に使用可能な,視覚に基づく初めての波形変換器を提案する。
関連論文リスト
- Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳(メタデータ) (2023-10-24T11:34:15Z) - 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) - Automated Cardiovascular Record Retrieval by Multimodal Learning between
Electrocardiogram and Clinical Report [28.608260758775316]
本稿では,Large Language Models (LLM) と Vision-Transformer (ViT) モデルにおける最近のブレークスルーを活用し,ECGの解釈に新たなアプローチを導入する。
入力ECGデータに基づいて,最も類似した症例を自動的に同定する手法を提案する。
本研究は,未開発地域において診断サービスを提供する上で重要な資源となる可能性がある。
論文 参考訳(メタデータ) (2023-04-13T06:32:25Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Optimal Transport based Data Augmentation for Heart Disease Diagnosis
and Prediction [16.7288675686184]
本稿では、不均衡なECGデータセット内のデータ不均衡問題を解決するために、新しいデータ拡張法を提案する。
最適輸送を用いて、正常心電図のビートから心電図の疾患データを増強し、異なるカテゴリ間でデータのバランスをとる。
その結果,1) 分類モデルが5つのECGカテゴリで競合予測を行う能力,2) データ拡張手法の有効性を反映した精度と堅牢性の向上が示された。
論文 参考訳(メタデータ) (2022-01-25T03:49:28Z) - Supraventricular Tachycardia Detection and Classification Model of ECG
signal Using Machine Learning [0.0]
心電図(ECG)信号の研究は心疾患の診断に不可欠である。
本研究は,雑音のフィルタリングを含む数段階からなる上室性不整脈予測モデルを提案する。
我々は,異なるタイプの上室頻拍を分類できる機械学習に基づく分類モデルを開発した。
論文 参考訳(メタデータ) (2021-12-24T05:48:26Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - 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) - 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)
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。