Fugu-MT 論文翻訳(概要): Hierarchical Attention Network for Interpretable ECG-based Heart Disease Classification

論文の概要: Hierarchical Attention Network for Interpretable ECG-based Heart Disease Classification

arxiv url: http://arxiv.org/abs/2504.03703v1
Date: Tue, 25 Mar 2025 13:06:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-20 18:39:52.757176
Title: Hierarchical Attention Network for Interpretable ECG-based Heart Disease Classification
Title（参考訳）: 心電図を用いた心疾患分類のための階層的注意ネットワーク
Authors: Mario Padilla Rodriguez, Mohamed Nafea,
Abstract要約: テキスト分類のために開発された階層型注意ネットワーク(HAN)を心電図に基づく心電図型心電図分類タスクに適用する。 MIT-BIHデータセットでは、適応されたHANは、CAT-Netの99.14%と比較して98.55%の精度を達成し、モデルパラメータの数を15.6倍に削減した。 PTB-XLデータセットでは,CAT-Netに比べてモデル複雑性が19.3倍減少し,テスト精度は5%低下した。
参考スコア（独自算出の注目度）: 0.7234862895932991
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Cardiovascular disease remains one of the leading causes of mortality worldwide, underscoring the need for accurate as well as interpretable diagnostic machine learning tools. In this work, we investigate heart disease classification using electrocardiogram (ECG) data from two widely-utilized datasets: The MIT-BIH Arrhythmia and the PTB-XL datasets. We adapt a hierarchical attention network (HAN), originally developed for text classification, into an ECG-based heart-disease classification task. Our adapted HAN incorporates two attention layers that focus on ECG data segments of varying sizes. We conduct a comparative analysis between our adapted HAN and a more sophisticated state-of-the-art architecture, featuring a network with convolution, attention, and transformer layers (CAT-Net). Our empirical evaluation encompasses multiple aspects including test accuracy (quantified by 0-1 loss); model complexity (measured by the number of model parameters); and interpretability (through attention map visualization). Our adapted HAN demonstrates comparable test accuracy with significant reductions in model complexity and enhanced interpretability analysis: For the MIT-BIH dataset, our adapted HAN achieves 98.55\% test accuracy compared to 99.14\% for CAT-Net, while reducing the number of model parameters by a factor of 15.6. For the PTB-XL dataset, our adapted HAN achieves a 19.3-fold reduction in model complexity compared to CAT-Net, with only a 5\% lower test accuracy. From an interpretability perspective, the significantly simpler architecture and the hierarchical nature of our adapted HAN model facilitate a more straightforward interpretability analysis based on visualizing attention weights. Building on this advantage, we conduct an interpretability analysis of our HAN that highlights the regions of the ECG signal most relevant to the model's decisions.
Abstract（参考訳）: 心臓血管疾患は、世界中の死亡の原因の1つであり、正確な診断と解釈可能な機械学習ツールの必要性を強調している。本研究では,MIT-BIH Arrhythmia と PTB-XL を用いて心電図(ECG)データを用いた心疾患分類を行った。テキスト分類のために開発された階層型注意ネットワーク(HAN)を心電図に基づく心電図型心電図分類タスクに適用する。我々の適応型HANは、異なるサイズのECGデータセグメントに焦点を当てた2つの注意層を組み込んでいる。我々は、コンボリューション、アテンション、トランスフォーマー層(CAT-Net)を備えたネットワークを特徴とする、適応型HANとより洗練された最先端アーキテクチャの比較分析を行う。我々の経験的評価は、テスト精度(0-1損失で定式化された)、モデルの複雑さ(モデルのパラメータ数で測定された)、解釈可能性(注意マップの可視化による)を含む複数の側面を含む。 MIT-BIHデータセットでは、適応されたHANは、CAT-Netの99.14\%と比較して98.55\%のテスト精度を達成し、モデルパラメータの数を15.6倍に削減します。 PTB-XLデータセットの場合、適応HANはCAT-Netに比べて19.3倍のモデル複雑性が減少し、テスト精度はわずか5倍に低下した。解釈可能性の観点からは、より単純なアーキテクチャと適応型HANモデルの階層性により、注意重みの可視化に基づくより直接的な解釈可能性解析が容易となる。この利点を生かして、我々はHANの解釈可能性分析を行い、モデルの決定に最も関係のあるECG信号の領域を強調します。

関連論文リスト

rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
論文参考訳（メタデータ） (2025-02-22T15:16:46Z)
Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
論文参考訳（メタデータ） (2024-12-07T08:29:44Z)
Coronary Artery Disease Classification Using One-dimensional Convolutional Neural Network [0.7673339435080443]
冠状動脈疾患(CAD)は、世界的な死因であり、革新的な解決策を必要としている。本稿では,1次元畳み込みニューラルネットワーク(1D-CNN)の可能性を提案し,検出精度を高め,ネットワークの複雑さを低減する。本研究は,心電図(ECG)信号の複雑なパターンを特徴抽出技術に頼らずに解釈する1D-CNNの顕著な能力を活用し,従来の診断手法を超えている。
論文参考訳（メタデータ） (2024-05-15T13:51:02Z)
HeartBEiT: Vision Transformer for Electrocardiogram Data Improves Diagnostic Performance at Low Sample Sizes [28.88454028731653]
心電図波形解析のための第1の視覚ベーストランスモデルHeartBEiTを開発した。その結果,HeartBEiTは,他のモデルに比べて試料サイズが小さく,高い性能を示した。また、HeartBEiTは、EKGと標準CNNの生物学的関連領域を強調することにより、診断の説明可能性を向上させることを示した。
論文参考訳（メタデータ） (2022-12-13T16:39:21Z)
Analysis of an adaptive lead weighted ResNet for multiclass classification of 12-lead ECGs [1.155818089388109]
12個の心電図から24個の心の異常を分類するために,アンサンブル深部ニューラルネットワークアーキテクチャを記述,解析した。 5倍のクロスバリデーションスコアが0.684, 感度と特異性は0.758, 0.969であった。
論文参考訳（メタデータ） (2021-12-01T15:44:52Z)
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)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文参考訳（メタデータ） (2020-07-15T09:22:55Z)
Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文参考訳（メタデータ） (2020-06-25T12:42:01Z)
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。