論文の概要: Enhancing Contrastive Learning-based Electrocardiogram Pretrained Model with Patient Memory Queue

• arxiv url: http://arxiv.org/abs/2506.06310v1
• Date: Mon, 26 May 2025 05:04:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 03:13:19.045001
• Title: Enhancing Contrastive Learning-based Electrocardiogram Pretrained Model with Patient Memory Queue
• Title（参考訳）: 患者記憶待ち時間を用いたコントラスト学習に基づく心電図事前訓練モデルの強化
• Authors: Xiaoyu Sun, Yang Yang, Xunde Dong,
• Abstract要約: ラベルのないデータに基づいて、堅牢なECG事前トレーニングモデルを構築する方法は、研究者にとって重要な分野である。 対照的な学習に基づく心電図事前訓練モデルの最近の進歩は、心電図固有の患者レベルの自己監督信号を活用する可能性を強調している。 患者記憶キュー(PMQ)により強化されたコントラスト学習型ECG事前学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 3.7515781255643885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the field of automatic Electrocardiogram (ECG) diagnosis, due to the relatively limited amount of labeled data, how to build a robust ECG pretrained model based on unlabeled data is a key area of focus for researchers. Recent advancements in contrastive learning-based ECG pretrained models highlight the potential of exploiting the additional patient-level self-supervisory signals inherent in ECG. They are referred to as patient contrastive learning. Its rationale is that multiple physical recordings from the same patient may share commonalities, termed patient consistency, so redefining positive and negative pairs in contrastive learning as intrapatient and inter-patient samples provides more shared context to learn an effective representation. However, these methods still fail to efficiently exploit patient consistency due to the insufficient amount of intra-inter patient samples existing in a batch. Hence, we propose a contrastive learning-based ECG pretrained model enhanced by the Patient Memory Queue (PMQ), which incorporates a large patient memory queue to mitigate model degeneration that can arise from insufficient intra-inter patient samples. In order to further enhance the performance of the pretrained model, we introduce two extra data augmentation methods to provide more perspectives of positive and negative pairs for pretraining. Extensive experiments were conducted on three public datasets with three different data ratios. The experimental results show that the comprehensive performance of our method outperforms previous contrastive learning methods and exhibits greater robustness in scenarios with limited labeled data. The code is available at https://github.com/3hiuwoo/PMQ.
• Abstract（参考訳）: 心電図自動診断(ECG)の分野では、ラベル付きデータが比較的限られているため、ラベルなしデータに基づく堅牢な心電図事前訓練モデルの構築が研究者にとって重要な分野である。 対照的な学習に基づく心電図事前訓練モデルの最近の進歩は、心電図固有の患者レベルの自己監督信号を活用する可能性を強調している。 対訳 コントラスト学習(コントラスト学習) その理論的根拠は、同一患者からの複数の物理的記録が共通性を共有し、患者一貫性と呼ばれるので、患者内および患者間のサンプルとして、対照的な学習において正と負のペアを再定義することは、効果的な表現を学ぶためのより共有されたコンテキストを提供する。 しかし、これらの手法は、バッチに存在する内部の患者サンプルが不足しているため、患者の一貫性を効果的に活用することができない。 そこで本研究では,患者メモリキュー (PMQ) によって強化された学習型心電図事前学習モデルを提案する。 事前学習モデルの性能をさらに向上するため,事前学習のための正と負のペアのさらなる視点を提供するために,2つの追加データ拡張手法を導入する。 3つの異なるデータ比率を持つ3つの公開データセットに対して、大規模な実験を行った。 実験結果から,提案手法の総合的な性能は従来のコントラスト学習法より優れ,ラベル付きデータに制限のあるシナリオにおいてより堅牢性を示すことが示された。 コードはhttps://github.com/3hiuwoo/PMQで入手できる。

関連論文リスト

• Fusion of Diffusion Weighted MRI and Clinical Data for Predicting Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
  ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。 AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
  論文  参考訳（メタデータ） (2024-02-16T18:51:42Z)
• MELEP: A Novel Predictive Measure of Transferability in Multi-Label ECG Diagnosis [1.3654846342364306]
  本稿では,事前学習したモデルから下流のECG診断タスクへの知識伝達の有効性を推定する手段であるMELEPを紹介する。 実験により、MELEPは、小・不均衡のECGデータに基づいて、事前学習した畳み込みと繰り返しの深部ニューラルネットワークの性能を予測できることを示した。
  論文  参考訳（メタデータ） (2023-10-27T14:57:10Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• AI in the Loop -- Functionalizing Fold Performance Disagreement to Monitor Automated Medical Image Segmentation Pipelines [0.0]
  臨床的実践に機械学習を安全に実装するためには、パフォーマンス予測が不十分なことを自動でフラグする手法が不可欠である。 本稿では、異なるデータセットの折りたたみ部で訓練されたサブモデルを用いて、容易に適用可能な手法を提案する。
  論文  参考訳（メタデータ） (2023-05-15T21:35:23Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• Application of federated learning techniques for arrhythmia classification using 12-lead ECG signals [0.11184789007828977]
  この作業では、フェデレートラーニング(FL)プライバシ保護方法論を使用して、高定義のECGの異種集合上でAIモデルをトレーニングする。 CL, IID, 非IIDアプローチを用いて訓練したモデルと比較した。
  論文  参考訳（メタデータ） (2022-08-23T14:21:16Z)
• Bridging the Gap Between Patient-specific and Patient-independent Seizure Prediction via Knowledge Distillation [7.2666838978096875]
  既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。 患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。 提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
  論文  参考訳（メタデータ） (2022-02-25T10:30:29Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。