Fugu-MT 論文翻訳(概要): A new method using deep transfer learning on ECG to predict the response to cardiac resynchronization therapy

論文の概要: A new method using deep transfer learning on ECG to predict the response to cardiac resynchronization therapy

arxiv url: http://arxiv.org/abs/2306.01210v1
Date: Fri, 2 Jun 2023 00:08:38 GMT
ステータス: 処理完了
システム内更新日: 2023-06-05 17:11:48.370292
Title: A new method using deep transfer learning on ECG to predict the response to cardiac resynchronization therapy
Title（参考訳）: 心電図の深部伝達学習を用いた心再同期療法の反応予測法
Authors: Zhuo He, Hongjin Si, Xinwei Zhang, Qing-Hui Chen, Jiangang Zou, Weihua Zhou
Abstract要約: 伝達学習モデルは、応答者と非応答者との区別において72%の精度を達成した。このモデルではCRT応答体を同定する際の感度(0.78)と特異性(0.79)が良好であった。
参考スコア（独自算出の注目度）: 2.8136734847819773
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Background: Cardiac resynchronization therapy (CRT) has emerged as an effective treatment for heart failure patients with electrical dyssynchrony. However, accurately predicting which patients will respond to CRT remains a challenge. This study explores the application of deep transfer learning techniques to train a predictive model for CRT response. Methods: In this study, the short-time Fourier transform (STFT) technique was employed to transform ECG signals into two-dimensional images. A transfer learning approach was then applied on the MIT-BIT ECG database to pre-train a convolutional neural network (CNN) model. The model was fine-tuned to extract relevant features from the ECG images, and then tested on our dataset of CRT patients to predict their response. Results: Seventy-one CRT patients were enrolled in this study. The transfer learning model achieved an accuracy of 72% in distinguishing responders from non-responders in the local dataset. Furthermore, the model showed good sensitivity (0.78) and specificity (0.79) in identifying CRT responders. The performance of our model outperformed clinic guidelines and traditional machine learning approaches. Conclusion: The utilization of ECG images as input and leveraging the power of transfer learning allows for improved accuracy in identifying CRT responders. This approach offers potential for enhancing patient selection and improving outcomes of CRT.
Abstract（参考訳）: 背景:心再同期療法(CRT)は心不全患者に対する電気的不整脈治療として有効である。しかし、どの患者がCRTに反応するかを正確に予測することは依然として困難である。本研究では,CRT応答の予測モデルを学習するための深層伝達学習手法の適用について検討する。方法: 本研究では, 短時間フーリエ変換(STFT)技術を用いてECG信号を二次元画像に変換する。その後、MIT-BIT ECGデータベースに転送学習アプローチを適用し、畳み込みニューラルネットワーク(CNN)モデルを事前訓練した。このモデルは心電図画像から関連する特徴を抽出するために微調整され、CRT患者のデータセットを用いてその反応を予測する。結果:crt患者は79例であった。転送学習モデルは、ローカルデータセットの応答者と非応答者との区別において72%の精度を達成した。さらに,CRT応答因子の同定には感度 (0.78) と特異性 (0.79) が良好であった。モデルのパフォーマンスは、クリニックガイドラインや従来の機械学習アプローチよりも優れています。結論:ECGイメージを入力として利用し,転送学習のパワーを活用することにより,CRT応答者を特定する精度が向上する。このアプローチは、crtの患者選択と予後を改善する可能性を秘めている。

関連論文リスト

ConvexECG: Lightweight and Explainable Neural Networks for Personalized, Continuous Cardiac Monitoring [43.23305904110984]
ConvexECGは、単誘導データから6誘導心電図を再構成するための説明可能かつ資源効率のよい方法である。我々は、ConvexECGがより大きなニューラルネットワークに匹敵する精度を実現し、計算オーバーヘッドを大幅に削減することを示した。
論文参考訳（メタデータ） (2024-09-19T06:14:30Z)
Solving the Inverse Problem of Electrocardiography for Cardiac Digital Twins: A Survey [6.1689808850463335]
心臓デジタル双生児(英: Cardiac Digital twins、CDT)は、複雑な心臓機構を理解するために使用される仮想表現である。近年の計算手法の進歩により、ECG逆推論の精度と効率が大幅に向上した。本稿では,心電図逆問題,検証戦略,臨床応用,今後の展望を概観する。
論文参考訳（メタデータ） (2024-06-17T11:57:14Z)
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)
A new method using deep learning to predict the response to cardiac resynchronization therapy [5.220522498181878]
本研究の目的は、臨床変数、心電図(ECG)の特徴、および心機能の評価から得られるパラメータと、ゲートSPECT MPIの極地図を組み合わせることである。 DLモデルは、事前訓練されたVGG16モジュールと多層パーセプトロンを組み合わせることで構築された。 DLモデルは平均AUC(0.83)、精度(0.73)、感度(0.76)、特異性(0.69)がMLモデルとガイドライン基準を上回ることを示した。
論文参考訳（メタデータ） (2023-05-04T00:51:42Z)
Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文参考訳（メタデータ） (2022-11-08T11:50:31Z)
A Novel Implementation of Machine Learning for the Efficient, Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。提案したモデルは0.927の総合精度と0.958の感度を得た。
論文参考訳（メタデータ） (2022-06-15T18:35:22Z)
A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文参考訳（メタデータ） (2021-01-14T01:39:19Z)
COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital Contact Tracing [68.68882022019272]
COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。 1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
論文参考訳（メタデータ） (2020-10-30T00:47:01Z)
COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
論文参考訳（メタデータ） (2020-09-08T15:49:55Z)
DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
論文参考訳（メタデータ） (2020-05-18T13:13:41Z)
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)

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。