論文の概要: OpenECG: Benchmarking ECG Foundation Models with Public 1.2 Million Records

• arxiv url: http://arxiv.org/abs/2503.00711v1
• Date: Sun, 02 Mar 2025 03:26:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:23:08.268041
• Title: OpenECG: Benchmarking ECG Foundation Models with Public 1.2 Million Records
• Title（参考訳）: OpenECG:ECGファウンデーションモデルを公開120万レコードでベンチマーク
• Authors: Zhijiang Wan, Qianhao Yu, Jia Mao, Wenfeng Duan, Cheng Ding,
• Abstract要約: この調査では、9つのセンターから120万回のECG記録の大規模ベンチマークであるOpenECGを紹介し、パブリックデータセットでトレーニングされたECG基盤モデル(ECG-FM)を評価する。 本研究では,ResNet-50およびVision Transformerアーキテクチャを用いた3つの自己教師型学習手法(SimCLR, BYOL, MAE)について検討し,モデル一般化の評価を行った。 その結果,多種多様なデータセットの事前学習が一般化を著しく改善し,BYOLとMAEはSimCLRを上回り,コントラストに対する特徴一貫性と生成学習の有効性を強調した。
• 参考スコア（独自算出の注目度）: 2.3942438969883906
• License:
• Abstract: This study introduces OpenECG, a large-scale benchmark of 1.2 million 12-lead ECG recordings from nine centers, to evaluate ECG foundation models (ECG-FMs) trained on public datasets. We investigate three self-supervised learning methods (SimCLR, BYOL, MAE) with ResNet-50 and Vision Transformer architectures, assessing model generalization through leave-one-dataset-out experiments and data scaling analysis. Results show that pre-training on diverse datasets significantly improves generalization, with BYOL and MAE outperforming SimCLR, highlighting the efficacy of feature-consistency and generative learning over contrastive approaches. Data scaling experiments reveal that performance saturates at 60-70% of total data for BYOL and MAE, while SimCLR requires more data. These findings demonstrate that publicly available ECG data can match or surpass proprietary datasets in training robust ECG-FMs, paving the way for scalable, clinically meaningful AI-driven ECG analysis.
• Abstract（参考訳）: 本研究では、9つのセンターから120万回のECG記録の大規模ベンチマークであるOpenECGを紹介し、パブリックデータセットでトレーニングされたECG基盤モデル(ECG-FM)を評価する。 本研究では,ResNet-50およびVision Transformerアーキテクチャを用いた3つの自己教師型学習手法(SimCLR, BYOL, MAE)について検討し,モデル一般化の評価を行った。 その結果,BYOLとMAEはSimCLRを上回り,コントラスト的アプローチに対する特徴一貫性と生成学習の有効性を強調した。 データスケーリング実験により、BYOLとMAEの合計データの60～70%のパフォーマンスが飽和し、SimCLRはより多くのデータを必要とすることが明らかになった。 これらの結果は、公開可能なECGデータは、堅牢なECG-FMのトレーニングにおいて、プロプライエタリなデータセットと一致するか、あるいは超える可能性があることを示し、スケーラブルで臨床的に意味のあるAI駆動ECG分析の道を開いた。

関連論文リスト

• Deep learning model for ECG reconstruction reveals the information content of ECG leads [0.0]
  本研究は心電図(ECG)の欠損した鉛を再構成するためのU-netアーキテクチャに基づくディープラーニングモデルを提案する。 公開されているデータセットを使用して、モデルは12リードのECGデータを再生するように訓練された。 その結果,各ECGリードの情報内容と,その相互関係を定量化するモデルの有効性が明らかになった。
  論文  参考訳（メタデータ） (2025-02-01T21:06:07Z)
• Self-Supervised Pre-Training with Joint-Embedding Predictive Architecture Boosts ECG Classification Performance [0.0]
  10のパブリックECGデータベースを組み合わせることで、教師なしの大規模な事前トレーニングデータセットを作成します。 我々は、このデータセットでJEPAを使用してVision Transformerを事前トレーニングし、様々なTB-XLベンチマークでそれらを微調整する。
  論文  参考訳（メタデータ） (2024-10-02T08:25:57Z)
• ECG-FM: An Open Electrocardiogram Foundation Model [3.611746032873298]
  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を提案する。 ECG-FMはトランスフォーマーベースのアーキテクチャを採用し、250万のサンプルで事前訓練されている。 文脈情報のコマンドが強靭なパフォーマンス、豊富な事前学習された埋め込み、信頼性のある解釈可能性をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-08-09T17:06:49Z)
• 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)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• 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)
• Self-supervised representation learning from 12-lead ECG data [2.2691593216516868]
  臨床12誘導心電図(ECG)データの短い部分からの自己監督的表現学習の包括的評価を行った。 本研究では,コンピュータビジョン (simclr, byol, swav) と音声 (cpc) による最先端の自己教師付き学習アルゴリズムの適応について検討する。 最適性能評価手法であるCPCでは、線形評価性能は教師付き性能よりわずか0.8%低い。
  論文  参考訳（メタデータ） (2021-03-23T16:50:39Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• 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)
• 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。