論文の概要: Fine-Grained ECG-Text Contrastive Learning via Waveform Understanding Enhancement

• arxiv url: http://arxiv.org/abs/2505.11939v1
• Date: Sat, 17 May 2025 10:03:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.953445
• Title: Fine-Grained ECG-Text Contrastive Learning via Waveform Understanding Enhancement
• Title（参考訳）: 波形理解による細粒ECGテキストコントラスト学習
• Authors: Haitao Li, Che Liu, Zhengyao Ding, Ziyi Liu, Zhengxing Huang,
• Abstract要約: 本稿ではFG-CLEP(Fine-Grained Contrastive Language ECG Pre-training)を提案する。 本稿では,心電図における共通診断の頻度による偽陰性度を考慮し,コントラスト学習を導く意味的類似性行列を導入する。 6つのデータセットの実験により、FG-CLEPはゼロショット予測と線形探索の両方において最先端の手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 22.68252993527806
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Electrocardiograms (ECGs) are essential for diagnosing cardiovascular diseases. While previous ECG-text contrastive learning methods have shown promising results, they often overlook the incompleteness of the reports. Given an ECG, the report is generated by first identifying key waveform features and then inferring the final diagnosis through these features. Despite their importance, these waveform features are often not recorded in the report as intermediate results. Aligning ECGs with such incomplete reports impedes the model's ability to capture the ECG's waveform features and limits its understanding of diagnostic reasoning based on those features. To address this, we propose FG-CLEP (Fine-Grained Contrastive Language ECG Pre-training), which aims to recover these waveform features from incomplete reports with the help of large language models (LLMs), under the challenges of hallucinations and the non-bijective relationship between waveform features and diagnoses. Additionally, considering the frequent false negatives due to the prevalence of common diagnoses in ECGs, we introduce a semantic similarity matrix to guide contrastive learning. Furthermore, we adopt a sigmoid-based loss function to accommodate the multi-label nature of ECG-related tasks. Experiments on six datasets demonstrate that FG-CLEP outperforms state-of-the-art methods in both zero-shot prediction and linear probing across these datasets.
• Abstract（参考訳）: 心電図は心血管疾患の診断に必須である。 従来のECGテキストのコントラスト学習手法は有望な結果を示しているが、レポートの不完全性を見落としていることが多い。 ECGが与えられたら、このレポートはまずキー波形の特徴を識別し、次にこれらの特徴を通して最終的な診断を推測することによって生成される。 その重要性にもかかわらず、これらの波形の特徴は中間結果としてレポートに記録されないことが多い。 このような不完全な報告を付したECGの調整は、ECGの波形の特徴を捉え、それらの特徴に基づいた診断的推論の理解を制限するモデルの能力を妨げている。 そこで本研究では,FG-CLEP (Fine-Grained Contrastive Language ECG Pre-training) を提案する。このFG-CLEP(Fine-Grained Contrastive Language ECG Pre-training)は,大規模な言語モデル (LLM) の助けを借りて,不完全レポートから波形特徴を回復することを目的としている。 また,心電図における共通診断の頻度による誤認が頻発していることから,コントラスト学習を導く意味的類似性行列を導入する。 さらに、我々は、ECG関連タスクのマルチラベル性に対応するために、シグモイドに基づく損失関数を採用する。 6つのデータセットの実験により、FG-CLEPはゼロショット予測とこれらのデータセット間の線形探索の両方において最先端の手法より優れていることが示された。

関連論文リスト

• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [43.65650710265957]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• Unlocking the Potential of Weakly Labeled Data: A Co-Evolutionary Learning Framework for Abnormality Detection and Report Generation [44.41011570487469]
  臨床における胸部X線(CXR)の解剖学的異常検出と報告生成は2つの重要な課題である。 既存の手法は、それぞれのタスクを別々に焦点を合わせ、相関を無視することが多い。 本研究は,共進化異常検出および報告生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-18T08:31:26Z)
• ECG Semantic Integrator (ESI): A Foundation ECG Model Pretrained with LLM-Enhanced Cardiological Text [14.06147507373525]
  本研究は,12誘導ECG信号の学習表現の品質とロバスト性の向上を目的とした,新しいマルチモーダルコントラスト保持フレームワークを提案する。 私たちのフレームワークは、Cardio Query Assistant(CQA)とECG Semantics Integrator(ESI)の2つの重要なコンポーネントで構成されています。
  論文  参考訳（メタデータ） (2024-05-26T06:45:39Z)
• MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• Deep learning based ECG segmentation for delineation of diverse arrhythmias [0.0]
  多様な不整脈に着目した心電図記述のためのU-Netライクセグメンテーションモデルを提案する。 これに続いて後処理アルゴリズムがノイズを除去し、P、QRS、T波の境界を自動的に決定する。 F1スコアはQRSおよびT波の99%,LUDBデータセットのP波の97%以上である。
  論文  参考訳（メタデータ） (2023-04-13T03:20:45Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• 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)
• A Novel Transfer Learning-Based Approach for Screening Pre-existing Heart Diseases Using Synchronized ECG Signals and Heart Sounds [0.5621251909851629]
  心臓疾患の早期診断は, 肺高血圧, 心臓リズム障害, 血栓, 心不全, 突然の心停止などの合併症を予防するために重要である。 このような疾患を識別するために、心電図(PCG)および心電図(ECG)波形は重要な情報を伝達する。 本稿では,PCGとECGを同時取得したPhystoNet Challenge 2016データセットのサブセットを用いて,この仮説を評価する。 我々の新しいDual-Convolutional Neural Networkベースのアプローチは、トランスファーラーニングを使用して、一般公開されているPCGとECGの同時データ量に制限のある問題に対処する。
  論文  参考訳（メタデータ） (2021-02-02T19:51:12Z)

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。