論文の概要: Transfer Knowledge from Natural Language to Electrocardiography: Can We Detect Cardiovascular Disease Through Language Models?

• arxiv url: http://arxiv.org/abs/2301.09017v1
• Date: Sat, 21 Jan 2023 21:58:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 15:12:17.805482
• Title: Transfer Knowledge from Natural Language to Electrocardiography: Can We Detect Cardiovascular Disease Through Language Models?
• Title（参考訳）: 自然言語から心電図への伝達知識:言語モデルによる心血管疾患の検出は可能か?
• Authors: Jielin Qiu, William Han, Jiacheng Zhu, Mengdi Xu, Michael Rosenberg, Emerson Liu, Douglas Weber, Ding Zhao
• Abstract要約: 心臓血管疾患診断と心電図自動診断レポート作成のためのアプローチを提案する。 1) 自動心電図診断レポート生成, (2) ゼロショット心血管疾患検出の2つの課題において, 学習した埋め込みを評価した。 提案手法は,高品質な心臓診断レポートを作成でき,教師付きベースラインと比較しても,ゼロショット分類性能の競争性も高い。
• 参考スコア（独自算出の注目度）: 16.220138060415305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in Large Language Models (LLMs) have drawn increasing attention since the learned embeddings pretrained on large-scale datasets have shown powerful ability in various downstream applications. However, whether the learned knowledge by LLMs can be transferred to clinical cardiology remains unknown. In this work, we aim to bridge this gap by transferring the knowledge of LLMs to clinical Electrocardiography (ECG). We propose an approach for cardiovascular disease diagnosis and automatic ECG diagnosis report generation. We also introduce an additional loss function by Optimal Transport (OT) to align the distribution between ECG and language embedding. The learned embeddings are evaluated on two downstream tasks: (1) automatic ECG diagnosis report generation, and (2) zero-shot cardiovascular disease detection. Our approach is able to generate high-quality cardiac diagnosis reports and also achieves competitive zero-shot classification performance even compared with supervised baselines, which proves the feasibility of transferring knowledge from LLMs to the cardiac domain.
• Abstract（参考訳）: 最近の大規模言語モデル(llm)の進歩は、大規模データセットに事前学習された学習埋め込みが、さまざまな下流アプリケーションで強力な能力を示しているため、注目を集めている。 しかし、LSMによる学習知識が臨床心臓学に移行できるかどうかは不明である。 本研究は,LEMの知識を臨床心電図(ECG)に伝達することで,このギャップを埋めることを目的とする。 心臓血管疾患診断と心電図自動診断レポート作成のためのアプローチを提案する。 また,ecgと言語埋め込みの分布を調整するために,optimize transport (ot) による新たな損失関数を導入する。 1) 自動心電図診断レポート生成, (2) ゼロショット心血管疾患検出の2つの課題において, 学習した埋め込みを評価した。 LLMから心臓領域への知識の移行の可能性を示すため,本手法では,高品質な心臓診断レポートを作成できるとともに,教師付きベースラインと比較して,競争力のあるゼロショット分類性能を実現することができる。

関連論文リスト

• De-biased Multimodal Electrocardiogram Analysis [20.290531515033518]
  医療分野ではMLLM(Multimodal large language model)がますます採用されている。 これまでの研究では、ECGを複数のテキストタグに変換することでこの問題に対処してきた。 本研究は,射影層を通したLCMへのECGの埋め込みを直接供給する。
  論文  参考訳（メタデータ） (2024-11-22T08:35:35Z)
• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• 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)
• 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)
• 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)
• Enhancing Deep Learning-based 3-lead ECG Classification with Heartbeat Counting and Demographic Data Integration [0.0]
  本稿では,3段階のECG分類において,現在のディープラーニングシステムの性能向上のための2つの新しい手法を紹介する。 具体的には、心拍数回帰という形でのマルチタスク学習方式と、患者人口統計データをシステムに組み込む効果的なメカニズムを提案する。 これら2つの進歩により、2つの大規模ECGデータセットにおいて、F1スコアの0.9796と0.8140の分類性能を得た。
  論文  参考訳（メタデータ） (2022-08-15T09:33:36Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• A Novel Transfer Learning-Based Approach for Screening Pre-existing Heart Diseases Using Synchronized ECG Signals and Heart Sounds [0.5621251909851629]
  心臓疾患の早期診断は, 肺高血圧, 心臓リズム障害, 血栓, 心不全, 突然の心停止などの合併症を予防するために重要である。 このような疾患を識別するために、心電図(PCG)および心電図(ECG)波形は重要な情報を伝達する。 本稿では,PCGとECGを同時取得したPhystoNet Challenge 2016データセットのサブセットを用いて,この仮説を評価する。 我々の新しいDual-Convolutional Neural Networkベースのアプローチは、トランスファーラーニングを使用して、一般公開されているPCGとECGの同時データ量に制限のある問題に対処する。
  論文  参考訳（メタデータ） (2021-02-02T19:51:12Z)

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。