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/2412.03717v2
• Date: Tue, 20 May 2025 08:35:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:51.564769
• 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課題となる。 ECGは、心臓血管と肝の相互作用を捉えて肝疾患の検出を可能にする。 肝疾患を検出するため,心電図機能を用いた木ベース機械学習モデルを訓練した。
• 参考スコア（独自算出の注目度）: 0.9503773054285559
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Liver diseases present a significant global health challenge and often require costly, invasive diagnostics. Electrocardiography (ECG), a widely available and non-invasive tool, can enable the detection of liver disease by capturing cardiovascular-hepatic interactions. Methods: We trained tree-based machine learning models on ECG features to detect liver diseases using two large datasets: MIMIC-IV-ECG (467,729 patients, 2008-2019) and ECG-View II (775,535 patients, 1994-2013). The task was framed as binary classification, with performance evaluated via the area under the receiver operating characteristic curve (AUROC). To improve interpretability, we applied explainability methods to identify key predictive features. Findings: The models showed strong predictive performance with good generalizability. For example, AUROCs for alcoholic liver disease (K70) were 0.8025 (95% confidence interval (CI), 0.8020-0.8035) internally and 0.7644 (95% CI, 0.7641-0.7649) externally; for hepatic failure (K72), scores were 0.7404 (95% CI, 0.7389-0.7415) and 0.7498 (95% CI, 0.7494-0.7509), respectively. The explainability analysis consistently identified age and prolonged QTc intervals (corrected QT, reflecting ventricular repolarization) as key predictors. Features linked to autonomic regulation and electrical conduction abnormalities were also prominent, supporting known cardiovascular-liver connections and suggesting QTc as a potential biomarker. Interpretation: ECG-based machine learning offers a promising, interpretable approach for liver disease detection, particularly in resource-limited settings. By revealing clinically relevant biomarkers, this method supports non-invasive diagnostics, early detection, and risk stratification prior to targeted clinical assessments.
• Abstract（参考訳）: 背景: 肝疾患は重要な世界的な健康上の課題を呈し、しばしば費用がかかる侵襲的な診断を必要とする。 広範かつ非侵襲的なツールである心電図(ECG)は、心臓血管と肝の相互作用を捉えて肝疾患の検出を可能にする。 方法:MIMIC-IV-ECG (467,729人, 2008-2019年) とECG-View II (775,535人, 1994-2013年) の2つの大データセットを用いて,心電図の特徴に基づく木ベース機械学習モデルを訓練した。 タスクは二分分類として構成され、受信機動作特性曲線(AUROC)の下での性能評価を行った。 解釈可能性を向上させるために,重要な予測的特徴の同定に説明可能性法を適用した。 結果: モデルは高い予測性能を示し, 高い一般化性を示した。 例えば、アルコール性肝疾患(K70)のAUROCは、体内で0.8025(95%信頼区間(CI),0.8020-0.8035)、外部で0.7644(95% CI, 0.7641-0.7649)であり、肝不全(K72)では0.7404(95% CI, 0.7389-0.7415)と0.7498(95% CI, 0.7494-0.7509)であった。 説明可能性分析では, 心室再分極を反映したQTc間隔(補正QT, 補正QT)を鍵予測因子として同定した。 また, 自律神経調節と電気伝導異常との関連が指摘され, 生体マーカーとしてのQTcが示唆された。 解釈:ECGベースの機械学習は、特にリソース制限された設定において、肝疾患の検出に対して有望で解釈可能なアプローチを提供する。 臨床関連バイオマーカーを明らかにすることにより、標的臨床評価に先立って、非侵襲的診断、早期発見、リスク階層化をサポートする。

関連論文リスト

• Explainable machine learning for neoplasms diagnosis via electrocardiograms: an externally validated study [0.9503773054285559]
  ネオプラズマは世界の死亡率の主要な原因である。 現在の診断法は、多くの集団に侵入し、コストがかかり、アクセスできないことが多い。 本研究は, 腫瘍の診断における心電図の特徴解析への機械学習モデルの適用について検討する。
  論文  参考訳（メタデータ） (2024-12-10T18:34:08Z)
• 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)
• 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)
• Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
  大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
  論文  参考訳（メタデータ） (2024-07-17T07:44:18Z)
• 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)
• 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。