論文の概要: Multimodal contrastive learning for diagnosing cardiovascular diseases from electrocardiography (ECG) signals and patient metadata

• arxiv url: http://arxiv.org/abs/2304.11080v1
• Date: Tue, 18 Apr 2023 05:51:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-04-30 07:56:03.682485
• Title: Multimodal contrastive learning for diagnosing cardiovascular diseases from electrocardiography (ECG) signals and patient metadata
• Title（参考訳）: 心電図信号と患者メタデータを用いた心血管疾患診断のためのマルチモーダルコントラスト学習
• Authors: Tue M. Cao, Nhat H. Tran, Phi Le Nguyen, Hieu Pham
• Abstract要約: 本研究は、心電図(ECG)信号による心血管疾患の診断における、コントラスト学習と深層学習の利用について論じる。 ECG信号は通常12個のリード(チャネル)を含むが、多くの医療施設やデバイスはこれらの12個のリードにアクセスできない。 本稿では,この課題にコントラスト学習を適用することができるかどうかを検証するための簡単な実験を紹介する。
• 参考スコア（独自算出の注目度）: 19.298394335663478
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work discusses the use of contrastive learning and deep learning for diagnosing cardiovascular diseases from electrocardiography (ECG) signals. While the ECG signals usually contain 12 leads (channels), many healthcare facilities and devices lack access to all these 12 leads. This raises the problem of how to use only fewer ECG leads to produce meaningful diagnoses with high performance. We introduce a simple experiment to test whether contrastive learning can be applied to this task. More specifically, we added the similarity between the embedding vectors when the 12 leads signal and the fewer leads ECG signal to the loss function to bring these representations closer together. Despite its simplicity, this has been shown to have improved the performance of diagnosing with all lead combinations, proving the potential of contrastive learning on this task.
• Abstract（参考訳）: 本研究は、心電図(ECG)信号による心血管疾患の診断における、コントラスト学習と深層学習の利用について論じる。 ECG信号は通常12個のリード(チャネル)を含むが、多くの医療施設やデバイスはこれらの12個のリードにアクセスできない。 これにより、ECGを減らせば、高いパフォーマンスで有意義な診断ができるという問題が発生する。 この課題にコントラスト学習を適用することができるかどうかを検証するための簡単な実験を紹介する。 より具体的には、12個のリード信号と少ないリードECG信号の損失関数への類似性を加えて、これらの表現をより密結合させた。 単純さにもかかわらず、これはすべてのリードの組み合わせによる診断のパフォーマンスを改善し、このタスクにおけるコントラスト学習の可能性を証明することが示されている。

関連論文リスト

• TolerantECG: A Foundation Model for Imperfect Electrocardiogram [6.8878798499351]
  TolerantECGは、ノイズに対して堅牢で、標準の12リードECGの任意のサブセットで機能するECG信号の基礎モデルである。 TolerantECGトレーニングは、コントラストと自己教師付き学習フレームワークを組み合わせて、ECG信号表現を共同で学習する。 ベンチマークの結果、TolerantECGは、様々なECG信号条件において、最高または第2位のパフォーマーとして一貫してランク付けされている。
  論文  参考訳（メタデータ） (2025-07-14T03:48:35Z)
• Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
  PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。 英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。 心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
  論文  参考訳（メタデータ） (2025-06-24T17:19:39Z)
• Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
  医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T07:56:41Z)
• Versatile Cardiovascular Signal Generation with a Unified Diffusion Transformer [41.095491708125515]
  低品質な信号を再構成し、記録されていない信号を合成するマルチモーダル拡散変換器UniCardioを提案する。 心臓血管信号の相補的な性質を生かして、UniCardioは、近年のタスク固有のベースラインよりも明らかに優れている。 これらのアドバンテージは、UniCardioをAI支援ヘルスケアの前進のための有望な道と位置づけている。
  論文  参考訳（メタデータ） (2025-05-28T12:45:39Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [43.65650710265957]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• Multimodal Lead-Specific Modeling of ECG for Low-Cost Pulmonary Hypertension Assessment [71.69065905466567]
  低所得国や中所得国(LMIC)では,高度な診断ツールが不足しているため,肺高血圧症(PH)が頻繁に診断される。 我々は,大人口12L-ECGデータに基づいて事前学習したモデルであるLS-EMVAE(Lead-Specific Electrocardiogram Multimodal Variational Autoencoder)を提案する。 LS-EMVAEは、推論時に12L-ECGと6L-ECGの両方でより良い予測を行い、診断ツールが限られている領域や全くない領域において、同等の解となる。
  論文  参考訳（メタデータ） (2025-03-03T16:16:38Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• 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)
• Modally Reduced Representation Learning of Multi-Lead ECG Signals through Simultaneous Alignment and Reconstruction [0.0]
  本稿では,ECG信号のチャネルに依存しない統一表現を生成することができるECG信号の表現学習手法を提案する。 生成された埋め込みは、下流タスクのためのECG信号の有能な機能として機能します。
  論文  参考訳（メタデータ） (2024-05-24T06:06:05Z)
• 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)
• 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)
• Knowledge-Distilled Graph Neural Networks for Personalized Epileptic Seizure Detection [43.905374104261014]
  そこで,本研究では,全電極から得られたデータに基づいて訓練された高度感応検知器(教師と呼ぶ)から知識を伝達し,新しい検出器(学生と呼ぶ)を学習するための新しい知識蒸留手法を提案する。 どちらも軽量な実装を提供しており、脳波を記録するのに必要な電極の数を大幅に削減している。 以上の結果から,脳波の少ない症例では,知識蒸留とパーソナライゼーションの両方が,発作検出の性能向上に重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-03T15:37:40Z)
• MVKT-ECG: Efficient Single-lead ECG Classification on Multi-Label Arrhythmia by Multi-View Knowledge Transferring [27.034050939667534]
  単誘導心電図のマルチラベル診断能力を高めるために,心電図の多視点知識伝達(MVKT-ECG)を提案する。 MVKT-ECGは、教師-学生パラダイムにおける指導信号として、このリードバリアントを許す。 単誘導心電図と粘誘導心電図の相互疾患情報を改善するために,新たにCLT(Contrastive Lead-information Transfering)を提案する。
  論文  参考訳（メタデータ） (2023-01-28T12:28:39Z)
• 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)
• Towards Synthesizing Twelve-Lead Electrocardiograms from Two Asynchronous Leads [1.674731937678848]
  12誘導心電図を用いて心臓病の診断を行った。 様々なウェアラブルデバイスは、Wieldy機器を使わずにECGへの即時アクセスを可能にしている。 本稿では,2つの非同期リードから10リードへのECG合成の深部生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-28T09:23:17Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• 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)

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。