論文の概要: Anomaly Detection in Electrocardiograms: Advancing Clinical Diagnosis Through Self-Supervised Learning
- arxiv url: http://arxiv.org/abs/2404.04935v1
- Date: Sun, 7 Apr 2024 12:15:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 18:51:34.446374
- Title: Anomaly Detection in Electrocardiograms: Advancing Clinical Diagnosis Through Self-Supervised Learning
- Title(参考訳): 心電図における異常検出 : 自己監督学習による臨床診断の促進
- Authors: Aofan Jiang, Chaoqin Huang, Qing Cao, Yuchen Xu, Zi Zeng, Kang Chen, Ya Zhang, Yanfeng Wang,
- Abstract要約: 既存のシステムは、心臓のマクロ/ミクロ構造における深刻な生命を脅かす問題や変化の前兆となる稀な心臓異常を見逃すことがしばしばある。
本研究は自己監督型異常検出(AD)に焦点をあて,異常を示す偏差を認識するために,正常心電図のみを訓練する。
本稿では,心電図の異常を自律的に検出し,局所化するために,正常心電図の膨大なデータセットを利用する,心電図ADのための新しい自己教師型学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 32.37717219026923
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The electrocardiogram (ECG) is an essential tool for diagnosing heart disease, with computer-aided systems improving diagnostic accuracy and reducing healthcare costs. Despite advancements, existing systems often miss rare cardiac anomalies that could be precursors to serious, life-threatening issues or alterations in the cardiac macro/microstructure. We address this gap by focusing on self-supervised anomaly detection (AD), training exclusively on normal ECGs to recognize deviations indicating anomalies. We introduce a novel self-supervised learning framework for ECG AD, utilizing a vast dataset of normal ECGs to autonomously detect and localize cardiac anomalies. It proposes a novel masking and restoration technique alongside a multi-scale cross-attention module, enhancing the model's ability to integrate global and local signal features. The framework emphasizes accurate localization of anomalies within ECG signals, ensuring the method's clinical relevance and reliability. To reduce the impact of individual variability, the approach further incorporates crucial patient-specific information from ECG reports, such as age and gender, thus enabling accurate identification of a broad spectrum of cardiac anomalies, including rare ones. Utilizing an extensive dataset of 478,803 ECG graphic reports from real-world clinical practice, our method has demonstrated exceptional effectiveness in AD across all tested conditions, regardless of their frequency of occurrence, significantly outperforming existing models. It achieved superior performance metrics, including an AUROC of 91.2%, an F1 score of 83.7%, a sensitivity rate of 84.2%, a specificity of 83.0%, and a precision of 75.6% with a fixed recall rate of 90%. It has also demonstrated robust localization capabilities, with an AUROC of 76.5% and a Dice coefficient of 65.3% for anomaly localization.
- Abstract(参考訳): 心電図(ECG)は心疾患の診断に必須のツールであり、コンピュータ支援システムにより診断精度が向上し医療費が削減される。
進歩にもかかわらず、既存のシステムは心臓マクロ/ミクロ構造における深刻な生命を脅かす問題や変化の前兆となる稀な心臓異常を見逃すことがしばしばある。
本研究は, 自己教師付き異常検出(AD)に焦点を当て, 正常心電図のみを訓練し, 異常を示す偏差を認識することにより, このギャップに対処する。
本稿では,心電図の異常を自律的に検出し,局所化するために,正常心電図の膨大なデータセットを利用する,心電図ADのための新しい自己教師型学習フレームワークを提案する。
マルチスケールのクロスアテンションモジュールとともに新しいマスキングと復元技術を提案し,グローバルおよびローカルな信号機能を統合する能力を向上させる。
このフレームワークは、ECG信号内の異常の正確な局所化を強調し、その方法の臨床的妥当性と信頼性を保証する。
個人の変動の影響を低減するため、この手法は、年齢や性別などの心電図レポートから重要な患者固有の情報をさらに取り入れ、稀な心疾患を含む幅広い心疾患の正確な同定を可能にする。
実際の臨床実践から得られた478,803心電図の広範なデータセットを用いて,本手法は,発生頻度によらず,既存のモデルよりも有意に優れており,全試験条件におけるADの異常な有効性を示した。
AUROCは91.2%、F1スコアは83.7%、感度は84.2%、特異度は83.0%、精度は75.6%、リコール率は90%だった。
また、AUROCは76.5%、Dice係数は65.3%で、ロバストなローカライゼーション能力も示している。
関連論文リスト
- Advancements in Continuous Glucose Monitoring: Integrating Deep Learning
and ECG Signal [0.0]
本稿では, 心電図(ECG)を用いた非侵襲性高血糖モニタリングへの新しいアプローチを提案する。
我々は、様々な空間的位置における重要な特徴を特定し、各畳み込み層内の異なる特徴間の相互依存性を調べることができるディープニューラルネットワークモデルを設計した。
提案アルゴリズムは、曲線(AUC)下の91.60%の領域、81.05%の感度、85.54%の特異性を持つ高血糖を効果的に検出する。
論文 参考訳(メタデータ) (2024-03-12T03:57:25Z) - A Novel Deep Learning Technique for Morphology Preserved Fetal ECG
Extraction from Mother ECG using 1D-CycleGAN [3.4162369786064497]
非侵襲性胎児心電図(fECG)は、発達中の心臓の異常を容易に検出することができる。
fECGの低振幅、系統的および周囲雑音、典型的な信号抽出法は、良好なfECGを生成できない。
本手法は1D CycleGANに基づいて,mECG信号からfECG信号を再構成する。
胎児の心拍数とR-R間隔長に対するソリューションの精度は、既存の最先端技術に匹敵するものである。
論文 参考訳(メタデータ) (2023-09-25T19:38:51Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳(メタデータ) (2023-01-01T05:02:46Z) - 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) - 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) - Estimation of atrial fibrillation from lead-I ECGs: Comparison with
cardiologists and machine learning model (CurAlive), a clinical validation
study [0.0]
本研究では,人工知能を用いた心房細動検出法を提案する。
本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
論文 参考訳(メタデータ) (2021-04-15T12:50:16Z) - 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) - 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) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳(メタデータ) (2020-02-12T00:59:23Z)
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。