Fugu-MT 論文翻訳(概要): SuPreME: A Supervised Pre-training Framework for Multimodal ECG Representation Learning

論文の概要: SuPreME: A Supervised Pre-training Framework for Multimodal ECG Representation Learning

arxiv url: http://arxiv.org/abs/2502.19668v2
Date: Thu, 29 May 2025 21:49:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-02 15:03:34.242967
Title: SuPreME: A Supervised Pre-training Framework for Multimodal ECG Representation Learning
Title（参考訳）: SuPreME:マルチモーダルECG表現学習のための教師付き事前学習フレームワーク
Authors: Mingsheng Cai, Jiuming Jiang, Wenhao Huang, Che Liu, Rossella Arcucci,
Abstract要約: 我々はtextbfSuPreME, $textbfSu$pervised $textbfPre$-training framework for $textbfE$CG representation learningを提案する。固定ラベルの代わりにテキスト心臓問合せでECG信号を融合することにより、SuPreMEはさらなる微調整をすることなく、見えない状態のゼロショット分類を可能にする。
参考スコア（独自算出の注目度）: 8.831192046626251
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Cardiovascular diseases are a leading cause of death and disability worldwide. Electrocardiogram (ECG) is critical for diagnosing and monitoring cardiac health, but obtaining large-scale annotated ECG datasets is labor-intensive and time-consuming. Recent ECG Self-Supervised Learning (eSSL) methods mitigate this by learning features without extensive labels but fail to capture fine-grained clinical semantics and require extensive task-specific fine-tuning. To address these challenges, we propose $\textbf{SuPreME}$, a $\textbf{Su}$pervised $\textbf{Pre}$-training framework for $\textbf{M}$ultimodal $\textbf{E}$CG representation learning. SuPreME is pre-trained using structured diagnostic labels derived from ECG report entities through a one-time offline extraction with Large Language Models (LLMs), which help denoise, standardize cardiac concepts, and improve clinical representation learning. By fusing ECG signals with textual cardiac queries instead of fixed labels, SuPreME enables zero-shot classification of unseen conditions without further fine-tuning. We evaluate SuPreME on six downstream datasets covering 106 cardiac conditions, achieving superior zero-shot AUC performance of $77.20\%$, surpassing state-of-the-art eSSLs by $4.98\%$. Results demonstrate SuPreME's effectiveness in leveraging structured, clinically relevant knowledge for high-quality ECG representations.
Abstract（参考訳）: 心臓血管疾患は世界中で死と障害の主な原因である。心電図(ECG)は、心臓の健康診断とモニタリングに重要であるが、大規模な心電図データセットを得ることは、労働集約的で時間を要する。近年のECG Self-Supervised Learning (eSSL) 法では, 詳細な臨床的意味を捉えることができず, タスク固有の微調整が必要である。これらの課題に対処するために、$\textbf{SuPreME}$, a $\textbf{Su}$pervised $\textbf{Pre}$-training framework for $\textbf{M}$ultimodal $\textbf{E}$CG表現学習を提案する。 SuPreMEは、ECGレポートエンティティから抽出された構造化診断ラベルを用いて、Large Language Models (LLMs) による1回のオフライン抽出を通じて事前訓練される。固定ラベルの代わりにテキスト心臓問合せでECG信号を融合することにより、SuPreMEはさらなる微調整をすることなく、見えない状態のゼロショット分類を可能にする。 SuPreMEを106の心条件をカバーする6つの下流データセットで評価し, ゼロショットAUCのパフォーマンスが7.20 %$で, 最先端の eSSL を4.98 %$で上回った。以上の結果から, 高品質心電図表現のための構造化, 臨床関連知識の活用におけるSuPreMEの有効性が示された。

関連論文リスト

FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文参考訳（メタデータ） (2024-10-28T02:24:01Z)
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)
Multimodal Variational Autoencoder for Low-cost Cardiac Hemodynamics Instability Detection [8.500041312027596]
本稿では,低コスト胸部X線(CXR)と心電図(ECG)を事前トレーニングで統合する新しい変分オートエンコーダ(textCardioVAE_textX,G$)を提案する。また,本モデルでは,臨床特徴に直接関連した予測の微妙な解釈が可能である。
論文参考訳（メタデータ） (2024-03-20T15:06:49Z)
Zero-Shot ECG Classification with Multimodal Learning and Test-time Clinical Knowledge Enhancement [10.611952462532908]
マルチモーダルECG表現学習(MERL)は、テキストプロンプトでゼロショットECG分類を行うことができる。本稿では,外部の専門知識データベースを利用した臨床知識向上技術(CKEPE)アプローチを提案する。 MERLは、ゼロショット分類における平均75.2%のAUCスコアを(トレーニングデータなしで)達成し、10%の注釈付きトレーニングデータを持つ線形プローブeSSLメソッドよりも3.2%高い。
論文参考訳（メタデータ） (2024-03-11T12:28:55Z)
Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文参考訳（メタデータ） (2023-08-31T00:36:10Z)
ECGBERT: Understanding Hidden Language of ECGs with Self-Supervised Representation Learning [6.0106590095197605]
ECGBERTは、ECGの基本言語をアンロックする自己教師付き表現学習アプローチである。我々は,ECGBERTが様々なタスクで最先端の成果を得られる可能性を実証する。
論文参考訳（メタデータ） (2023-06-10T04:23:08Z)
Frozen Language Model Helps ECG Zero-Shot Learning [12.974685769614062]
マルチモーダルECG-Text Self-supervised pre-training (METS)を提案する。トレーニング可能なECGエンコーダと凍結言語モデルを用いて,ペアのECGを組込み,個別に自動で臨床報告を行う。下流の分類タスクでは、METSは注釈付きデータを使わずに、約10%のパフォーマンス改善を実現している。
論文参考訳（メタデータ） (2023-03-22T05:01:14Z)
Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文参考訳（メタデータ） (2022-07-23T19:17:26Z)
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)
Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。この現象は脳波(EEG)などの臨床関連データに特に問題となる。ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文参考訳（メタデータ） (2020-07-31T14:34:47Z)
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)

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。