論文の概要: CREMA: A Contrastive Regularized Masked Autoencoder for Robust ECG Diagnostics across Clinical Domains

• arxiv url: http://arxiv.org/abs/2407.07110v3
• Date: Thu, 21 Aug 2025 13:24:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:45.889357
• Title: CREMA: A Contrastive Regularized Masked Autoencoder for Robust ECG Diagnostics across Clinical Domains
• Title（参考訳）: CREMA : 臨床領域におけるロバスト心電図診断のためのコントラスト正規化マスク付きオートエンコーダ
• Authors: Junho Song, Jong-Hwan Jang, DongGyun Hong, Joon-myoung Kwon, Yong-Yeon Jo,
• Abstract要約: 自己教師付き事前学習により一般化可能な表現を学習するための12誘導ECGの基礎モデルであるCREMAを提案する。 CREMAは、コントラスト正規化MAE損失による生成学習とコントラスト正規化を組み合わせて、局所波形の詳細とグローバル時間依存性の両方をキャプチャするためにSignal Transformer (SiT)アーキテクチャを使用する。
• 参考スコア（独自算出の注目度）: 2.9143698739149615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrocardiogram (ECG) diagnosis remains challenging due to limited labeled data and the need to capture subtle yet clinically meaningful variations in rhythm and morphology. We present CREMA (Contrastive Regularized Masked Autoencoder), a foundation model for 12-lead ECGs designed to learn generalizable representations through self-supervised pretraining. CREMA combines generative learning and contrastive regularization via a Contrastive Regularized MAE loss, and employs a Signal Transformer (SiT) architecture to capture both local waveform details and global temporal dependencies. We evaluate CREMA on benchmark datasets and real-world clinical environments, including deployment scenarios with significant distribution shifts. CREMA outperforms supervised baselines and existing self-supervised models in both linear probing and fine-tuning evaluations. Notably, it maintains superior performance across diverse clinical domains, such as emergency care, highlighting its robustness under real-world conditions. These results demonstrate that CREMA serves as a scalable and reliable foundation model for ECG diagnostics, supporting downstream applications across heterogeneous and high-risk clinical settings.
• Abstract（参考訳）: 心電図(ECG)の診断は、限られたラベル付きデータと、微妙ながら臨床的に意味のあるリズムや形態の変化を捉える必要があるため、依然として困難である。 自己教師付き事前学習により一般化可能な表現を学習するために設計された12誘導ECGの基盤モデルであるCREMA(Contrastive Regularized Masked Autoencoder)を提案する。 CREMAは、コントラスト正規化MAE損失による生成学習とコントラスト正規化を組み合わせて、局所波形の詳細とグローバル時間依存性の両方をキャプチャするためにSignal Transformer (SiT)アーキテクチャを使用する。 ベンチマークデータセットと実際の臨床環境におけるCREMAの評価を行った。 CREMAは、線形探索および微調整評価の両方において、教師付きベースラインと既存の自己教師付きモデルより優れている。 特に、救急医療などの様々な臨床領域で優れたパフォーマンスを維持し、現実の状況下での堅牢性を強調している。 これらの結果から、CREMAは心電図診断のためのスケーラブルで信頼性の高い基礎モデルとして機能し、異種および高リスクな臨床環境における下流の応用をサポートすることが示唆された。

関連論文リスト

• Sensing Cardiac Health Across Scenarios and Devices: A Multi-Modal Foundation Model Pretrained on Heterogeneous Data from 1.7 Million Individuals [36.08910150609342]
  広大で異質な健康記録から統一された表現を学習する心センシング基礎モデル(CSFM)を提案する。 我々のモデルは、複数の大規模データセットからのデータの革新的なマルチモーダル統合に基づいて事前訓練されている。 CSFMは従来のワンモーダル・ワン・タスク・アプローチより一貫して優れている。
  論文  参考訳（メタデータ） (2025-06-23T20:58:12Z)
• 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)
• Fusion of ECG Foundation Model Embeddings to Improve Early Detection of Acute Coronary Syndromes [5.723893680574976]
  本研究では,心電図基礎モデル,特にST-MEMとECG-FMを用いて心電図リスク評価を行う。 我々はこれらのモデルの性能を個別に評価し、融合アプローチによりそれらの埋め込みを組み合わせ、予測の精度を高める。
  論文  参考訳（メタデータ） (2025-02-17T04:50:56Z)
• Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
  機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。 本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
  論文  参考訳（メタデータ） (2024-12-07T08:29:44Z)
• ECG Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
  短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。 新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。 DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
  論文  参考訳（メタデータ） (2024-07-25T13:27:10Z)
• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• Self-Trained Model for ECG Complex Delineation [0.0]
  心電図(ECG)のデライン化は、正確な診断で心臓科医を支援する上で重要な役割を担っている。 我々は,ECGデライン化のためのデータセットを導入し,大量のラベルのないECGデータを活用することを目的とした,新たな自己学習手法を提案する。 我々のアプローチでは、データセットでトレーニングされたニューラルネットワークを使用してラベルなしデータの擬似ラベル付けを行い、その後、新たにラベル付けされたサンプル上でモデルをトレーニングし、デライン化の品質を高める。
  論文  参考訳（メタデータ） (2024-06-04T18:54:10Z)
• 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)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• In-Distribution and Out-of-Distribution Self-supervised ECG Representation Learning for Arrhythmia Detection [21.222167116069144]
  本稿では,心電図不整脈検出のための自己監視学習法(SSL)の有効性について,系統的な検討を行った。 まず、一般的なECGベースの不整脈データセットであるTB-XL、Chapman、Ribeiroの3つのデータ分布を新たに解析することから始める。 次に、異なる拡張とパラメータを用いて包括的な実験を行い、様々なSSLメソッドの有効性を評価する。 分析の結果,SSL手法は最先端の手法によって達成された手法に対して高い競争力を発揮することがわかった。
  論文  参考訳（メタデータ） (2023-04-13T11:46:32Z)
• ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on Continual Learning [20.465733855762835]
  心電図(ECG)モニタリングは心血管疾患(CVD)早期診断の最も強力な手法の一つである。 古典的なルールベースのアルゴリズムは、今ではディープラーニングベースの手法によって完全にパフォーマンスが向上している。 本稿では,高解像度の低レベルセマンティック情報を一括して保持できるマルチレゾリューションモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-10T15:19:00Z)
• A Multi-View Learning Approach to Enhance Automatic 12-Lead ECG Diagnosis Performance [0.240137930000971]
  本研究は,従来の12誘導心電図診断法よりも高い性能を実現するために,ECG拡張技術を用いたアンサンブルに基づく多視点学習手法を提案する。 提案モデルでは,F1スコアが0.840であり,文献における既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-07-30T23:43:01Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• 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)
• 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)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。