Fugu-MT 論文翻訳(概要): ECG-FM: An Open Electrocardiogram Foundation Model

論文の概要: ECG-FM: An Open Electrocardiogram Foundation Model

arxiv url: http://arxiv.org/abs/2408.05178v2
Date: Fri, 30 May 2025 15:29:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-02 19:47:52.438628
Title: ECG-FM: An Open Electrocardiogram Foundation Model
Title（参考訳）: ECG-FM:オープン心電図基礎モデル
Authors: Kaden McKeen, Sameer Masood, Augustin Toma, Barry Rubin, Bo Wang,
Abstract要約: 本稿では,ECG分析のためのオープン基盤モデルであるECG-FMについて述べる。 ECG-FMは、コントラストと生成的自己教師付き学習のハイブリッドアプローチを用いて事前訓練されたトランスフォーマーベースのモデルである。我々は,ECG-FMがロバストで,ラベル効率が高く,機能的に識別可能であることを確認した。
参考スコア（独自算出の注目度）: 3.8270632390229777
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Conventional task-specific electrocardiogram (ECG) analysis models require large annotated datasets to train. Foundation models mitigate this burden by leveraging self-supervised pretraining; however, the scarcity of open-weight ECG foundation models hinders adoption and cross-study comparability. We present ECG-FM, an open foundation model for ECG analysis, and conduct a study using a dataset of 1.5 million ECGs. ECG-FM is a transformer-based model pretrained using a hybrid contrastive and generative self-supervised learning approach. Our downstream tasks include predicting reduced left ventricular ejection fraction (LVEF) and ECG interpretation labels, where we release a benchmark task on the MIMIC-IV-ECG dataset. We affirm that ECG-FM is robust, label-efficient, and functionally discriminative by showcasing data scaling experiments, performing a latent space analysis, and generating saliency maps. ECG-FM markedly outperforms task-specific models in the small-to-medium-scale data regime and demonstrates cross-dataset generalizability, achieving high AUROC on many clinically salient labels such as atrial fibrillation (0.996) and LVEF<=40% (0.929). We release our code, model weights, and benchmark task at https://github.com/bowang-lab/ECG-FM/.
Abstract（参考訳）: 従来のタスク固有心電図(ECG)分析モデルでは、トレーニングには大量の注釈付きデータセットが必要である。ファウンデーションモデルは、自己監督型事前訓練を活用することで、この負担を軽減するが、オープンウェイトECGファンデーションモデルの不足は、採用を妨げ、クロスステディなコンパラビリティを損なう。本稿では,ECG分析のためのオープン基盤モデルであるECG-FMについて述べる。 ECG-FMは、コントラストと生成的自己教師付き学習のハイブリッドアプローチを用いて事前訓練されたトランスフォーマーベースのモデルである。我々のダウンストリームタスクには、左室放出率の低下(LVEF)とECG解釈ラベルの予測が含まれており、MIMIC-IV-ECGデータセットのベンチマークタスクをリリースしています。我々は,ECG-FMがロバストで,ラベル効率が高く,機能的に識別可能であることを確認した。 ECG-FMは、小規模から大規模のデータ体制においてタスク固有のモデルよりも優れており、AUROCを心房細動(0.996)やLVEF<=40%(0.929)など多くの臨床上有意なラベルで達成している。コード、モデルウェイト、ベンチマークタスクはhttps://github.com/bowang-lab/ECG-FM/でリリースしています。

関連論文リスト

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)
DiffuSETS: 12-lead ECG Generation Conditioned on Clinical Text Reports and Patient-Specific Information [13.680337221159506]
心臓病は人間の健康にとって重大な脅威である。プライバシー上の懸念と限られた医療資源によって駆動される高品質なECGデータの空洞化は、効果的なECG信号生成の押し付けの必要性を生み出します。セマンティックアライメントと忠実度の高いECG信号を生成可能な新しいフレームワークであるDiffuSETSを提案する。
論文参考訳（メタデータ） (2025-01-10T12:55:34Z)
Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture [0.0]
本稿では,12誘導ECG分析のための自己教師型学習モデルECG-JEPAを紹介する。隠れた潜在空間で予測することで、ECGデータのセマンティック表現を学習する。 ECG-JEPAは、ECG分類や特徴予測を含む様々な下流タスクで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-10-11T06:30:48Z)
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)
An Electrocardiogram Foundation Model Built on over 10 Million Recordings with External Evaluation across Multiple Domains [17.809094003643523]
我々はECG解析の診断能力を拡大するECGファウンデーションモデル(ECGFounder)を導入する。 ECGFounderは、Harvard-Emory ECG Databaseから150のラベルカテゴリを持つ1000万以上のECGでトレーニングされた。 AUROCは80の診断で0.95を超える。
論文参考訳（メタデータ） (2024-10-05T12:12:02Z)
ECG Semantic Integrator (ESI): A Foundation ECG Model Pretrained with LLM-Enhanced Cardiological Text [14.06147507373525]
本研究は,12誘導ECG信号の学習表現の品質とロバスト性の向上を目的とした,新しいマルチモーダルコントラスト保持フレームワークを提案する。私たちのフレームワークは、Cardio Query Assistant(CQA)とECG Semantics Integrator(ESI)の2つの重要なコンポーネントで構成されています。
論文参考訳（メタデータ） (2024-05-26T06:45:39Z)
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)
PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文参考訳（メタデータ） (2023-05-17T09:06:39Z)
Leveraging Statistical Shape Priors in GAN-based ECG Synthesis [3.3482093430607267]
本稿では,GAN(Generative Adversarial Networks)と統計ECGデータモデリングを用いた新しいECG信号生成手法を提案する。本手法では,ECG信号の複雑なダイナミックスに対処するため,ECGのダイナミックスに関する事前知識を活用して現実的な信号の合成を行う。以上の結果から,ECG信号の時間的・振幅的変動を2次元形状としてモデル化した手法は,最先端のGANベースの生成ベースラインと比較して,より現実的な信号を生成することがわかった。
論文参考訳（メタデータ） (2022-10-22T18:06:11Z)
ME-GAN: Learning Panoptic Electrocardio Representations for Multi-view ECG Synthesis Conditioned on Heart Diseases [24.52989747071257]
本稿では,ME-GAN と呼ばれる多視点心電図合成のための疾患認識型生成対向ネットワークを提案する。心臓疾患の心電図は特定の波形に局所化されることが多いため,適切な場所に病情報を正確に注入する「ミックスアップ正規化」を提案する。総合的な実験により,ME-GANは多視点ECG信号合成において信頼性の高いモルビッド表現を用いて良好に機能することが確認された。
論文参考訳（メタデータ） (2022-07-21T14:14:02Z)
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)
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。