論文の概要: Transfer Learning in ECG Diagnosis: Is It Effective?
- arxiv url: http://arxiv.org/abs/2402.02021v1
- Date: Sat, 3 Feb 2024 04:27:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 22:51:24.008810
- Title: Transfer Learning in ECG Diagnosis: Is It Effective?
- Title(参考訳): 心電図診断における伝達学習は有効か?
- Authors: Cuong V. Nguyen and Cuong D.Do
- Abstract要約: 本研究は,心電図分類における転帰学習の有効性に関する実証的研究である。
我々は、さまざまなECGデータセットとディープニューラルネットワークをカバーする、スクラッチからのトレーニングと微調整性能を比較した。
伝達学習は、再帰的なニューラルネットワークよりも畳み込みニューラルネットワークとの整合性が高いことがわかった。
- 参考スコア(独自算出の注目度): 1.8130068086063333
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The adoption of deep learning in ECG diagnosis is often hindered by the
scarcity of large, well-labeled datasets in real-world scenarios, leading to
the use of transfer learning to leverage features learned from larger datasets.
Yet the prevailing assumption that transfer learning consistently outperforms
training from scratch has never been systematically validated. In this study,
we conduct the first extensive empirical study on the effectiveness of transfer
learning in multi-label ECG classification, by investigating comparing the
fine-tuning performance with that of training from scratch, covering a variety
of ECG datasets and deep neural networks. We confirm that fine-tuning is the
preferable choice for small downstream datasets; however, when the dataset is
sufficiently large, training from scratch can achieve comparable performance,
albeit requiring a longer training time to catch up. Furthermore, we find that
transfer learning exhibits better compatibility with convolutional neural
networks than with recurrent neural networks, which are the two most prevalent
architectures for time-series ECG applications. Our results underscore the
importance of transfer learning in ECG diagnosis, yet depending on the amount
of available data, researchers may opt not to use it, considering the
non-negligible cost associated with pre-training.
- Abstract(参考訳): ECG診断におけるディープラーニングの採用は、現実のシナリオにおいて、大規模でラベルの付いたデータセットの不足によって妨げられ、大きなデータセットから学んだ機能を活用するために、転送学習が使用される。
しかし、移行学習がスクラッチからトレーニングを継続的に上回るという一般的な仮定は、体系的に検証されていない。
本研究では,マルチラベル心電図分類におけるトランスファー学習の有効性について,様々な心電図データセットと深層ニューラルネットワークを対象とし,スクラッチからのトレーニングと微調整性能の比較を行った。
下流の小さなデータセットでは微調整が望ましいが、データセットが十分に大きい場合には、スクラッチからのトレーニングで同等のパフォーマンスが得られる。
さらに,時系列ecgアプリケーションにおいて最も普及している2つのアーキテクチャである繰り返しニューラルネットワークよりも,畳み込みニューラルネットワークとの相性が良好であることが判明した。
本研究は,心電図診断における伝達学習の重要性を裏付けるものであるが,データ量によっては,事前学習に伴う非無視的なコストを考慮すると,使用しない方がよい。
関連論文リスト
- Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - Amplifying Pathological Detection in EEG Signaling Pathways through
Cross-Dataset Transfer Learning [10.212217551908525]
実世界の病理分類課題におけるデータとモデルスケーリングとデータセット間の知識伝達の有効性について検討する。
ネガティブトランスファーの可能性の課題を特定し、いくつかの重要なコンポーネントの重要性を強調する。
以上の結果から,小規模で汎用的なモデル(ShallowNetなど)は単一データセット上では良好に動作するが,大規模なモデル(TCNなど)では,大規模かつ多様なデータセットからの転送や学習がより優れていることが示唆された。
論文 参考訳(メタデータ) (2023-09-19T20:09:15Z) - Optimizing Neural Network Scale for ECG Classification [1.8953148404648703]
心電図(ECG)解析のための残留ニューラルネットワーク(ResNet)を対象とするスケーリング畳み込みニューラルネットワーク(CNN)について検討する。
本研究では,層深さ,チャネル数,コンボリューションカーネルサイズといった重要なパラメータの影響を調べることで,ResNetのスケールアップに有効な手法を探索し,実証した。
我々の発見は、計算資源が少ないか、少ない時間でより効率的で正確なモデルを得るための洞察を与えてくれる。
論文 参考訳(メタデータ) (2023-08-24T01:26:31Z) - Deep Neural Networks Generalization and Fine-Tuning for 12-lead ECG
Classification [0.0]
本稿では,さまざまなデータセット上でニューラルネットワークをトレーニングすることで,データセットに関わらず,心臓病の予測精度を向上させる手法を提案する。
大規模なデータセット上でネットワークをトレーニングし、それを別のソースから小さなデータセットで微調整することで、1つの小さなデータセットでのみトレーニングされたネットワークのパフォーマンスが向上することを示した。
論文 参考訳(メタデータ) (2023-05-19T14:49:04Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳(メタデータ) (2022-03-24T02:09:41Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳(メタデータ) (2022-02-14T12:12:20Z) - Mythological Medical Machine Learning: Boosting the Performance of a
Deep Learning Medical Data Classifier Using Realistic Physiological Models [0.0]
PTSDにより,T-wave Alternans (TWA) を含む人工心電図を180,000個生成した。
7万人以上の患者に25種類のリズムを分類するよう訓練されたディープニューラルネットワーク(DNN)は、出力層をバイナリクラスに修正した。
最も優れた手法は、事前訓練された不整脈DNN、人工データ、およびPTSD関連心電図データを用いて、両方の転送学習ステップを実行することで見出された。
論文 参考訳(メタデータ) (2021-12-28T17:55:37Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳(メタデータ) (2020-07-31T14:34:47Z) - 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。