論文の概要: Electrocardiogram-based diagnosis of liver diseases: an externally validated and explainable machine learning approach

• arxiv url: http://arxiv.org/abs/2412.03717v1
• Date: Wed, 04 Dec 2024 21:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:39:25.353825
• Title: Electrocardiogram-based diagnosis of liver diseases: an externally validated and explainable machine learning approach
• Title（参考訳）: 心電図による肝疾患の診断--外的検証と説明可能な機械学習アプローチ
• Authors: Juan Miguel Lopez Alcaraz, Wilhelm Haverkamp, Nils Strodthoff,
• Abstract要約: 肝疾患は世界的な健康上の問題であり、しばしば資源集約的な方法を用いて診断される。 本研究は, 肝疾患診断のための心電図データに機械学習モデルを適用した。
• 参考スコア（独自算出の注目度）: 0.9503773054285559
• License:
• Abstract: Background: Liver diseases are a major global health concern, often diagnosed using resource-intensive methods. Electrocardiogram (ECG) data, widely accessible and non-invasive, offers potential as a diagnostic tool for liver diseases, leveraging the physiological connections between cardiovascular and hepatic health. Methods: This study applies machine learning models to ECG data for the diagnosis of liver diseases. The pipeline, combining tree-based models with Shapley values for explainability, was trained, internally validated, and externally validated on an independent cohort, demonstrating robust generalizability. Findings: Our results demonstrate the potential of ECG to derive biomarkers to diagnose liver diseases. Shapley values revealed key ECG features contributing to model predictions, highlighting already known connections between cardiovascular biomarkers and hepatic conditions as well as providing new ones. Furthermore, our approach holds promise as a scalable and affordable solution for liver disease detection, particularly in resource-limited settings. Interpretation: This study underscores the feasibility of leveraging ECG features and machine learning to enhance the diagnosis of liver diseases. By providing interpretable insights into cardiovascular-liver interactions, the approach bridges existing gaps in non-invasive diagnostics, offering implications for broader systemic disease monitoring.
• Abstract（参考訳）: 背景: 肝疾患は、しばしば資源集約的な方法を用いて診断される、世界的な健康上の問題である。 心電図(ECG)のデータは、広くアクセス可能で非侵襲的であり、心血管と肝健康の間の生理的つながりを生かし、肝疾患の診断ツールとして潜在的に有用である。 方法: 本研究は, 肝疾患診断のための心電図データに機械学習モデルを適用した。 パイプラインは、木に基づくモデルとShapleyの値を組み合わせて、独立コホート上でトレーニング、内部検証、外部検証を行い、堅牢な一般化性を実証した。 結果: 肝疾患の診断に心電図がバイオマーカーを誘導する可能性が示唆された。 Shapley値からは,心血管バイオマーカーと肝疾患の関連性や新しい疾患の発見など,モデル予測に寄与する重要な心電図の特徴が明らかになった。 さらに,本手法は肝疾患の検出,特に資源制限設定において,スケーラブルで手頃なソリューションとして期待できる。 解釈: 本研究は, 肝疾患の診断力を高めるために, 心電図の特徴と機械学習を活用する可能性を明らかにする。 心臓血管と血管の相互作用に関する解釈可能な洞察を提供することにより、アプローチは非侵襲的な診断における既存のギャップを橋渡しし、より広範な全身性疾患のモニタリングに影響を及ぼす。

関連論文リスト

• Estimation of Cardiac and Non-cardiac Diagnosis from Electrocardiogram Features [1.068128849363198]
  我々は、ECGの特徴から一般的な診断条件を推測する可能性を検討するために、利用可能なデータセットを用いている。 我々は、心電図の特徴と基本的な人口統計特性に基づいて、ツリーベースモデル(XGBoost)を訓練し、広範囲の診断を推定する。
  論文  参考訳（メタデータ） (2024-08-30T14:42:03Z)
• Unlocking the Diagnostic Potential of ECG through Knowledge Transfer from Cardiac MRI [6.257859765229826]
  本稿では,CMR画像からECG埋め込みへドメイン固有情報を転送する,自己監督型コントラスト手法を提案する。 本手法は,マルチモーダルコントラスト学習とマスク付きデータモデリングを組み合わせることで,心電図データのみから全体的心臓検診を可能にする。
  論文  参考訳（メタデータ） (2023-08-09T10:05:11Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Transfer Knowledge from Natural Language to Electrocardiography: Can We Detect Cardiovascular Disease Through Language Models? [16.220138060415305]
  心臓血管疾患診断と心電図自動診断レポート作成のためのアプローチを提案する。 1) 自動心電図診断レポート生成, (2) ゼロショット心血管疾患検出の2つの課題において, 学習した埋め込みを評価した。 提案手法は,高品質な心臓診断レポートを作成でき,教師付きベースラインと比較しても,ゼロショット分類性能の競争性も高い。
  論文  参考訳（メタデータ） (2023-01-21T21:58:00Z)
• 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)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• SIM-ECG: A Signal Importance Mask-driven ECGClassification System [11.030532126096006]
  心臓病は1番のキラーであり、心電図は早期診断と致命的な結果の予防に役立つ。 現在のシステムは、熟練したECGリーダーほど正確ではなく、診断を提供するブラックボックスアプローチは、医療従事者による信頼の欠如をもたらす。 本稿では,フィードバックを継続的に受け取り,精度を向上し,その結果の診断を除外する,信号重要マスクフィードバックに基づく機械学習システムを提案する。
  論文  参考訳（メタデータ） (2021-10-28T01:27:37Z)
• 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)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• 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)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。