論文の概要: Improving Myocardial Infarction Detection via Synthetic ECG Pretraining

• arxiv url: http://arxiv.org/abs/2506.23259v1
• Date: Sun, 29 Jun 2025 14:29:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.792211
• Title: Improving Myocardial Infarction Detection via Synthetic ECG Pretraining
• Title（参考訳）: 合成心電図による心筋梗塞検出の改善
• Authors: Lachin Naghashyar,
• Abstract要約: 心筋梗塞は世界中で大きな死因であり,心電図(ECG)からの正確な早期診断が臨床上の優先事項である。 ディープラーニングモデルはECGの自動解釈を約束しているが、大量のラベル付きデータを必要とする。 本研究では,12個の心電図を調整可能なMI形態と現実的な雑音で合成する生理的認識パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Myocardial infarction is a major cause of death globally, and accurate early diagnosis from electrocardiograms (ECGs) remains a clinical priority. Deep learning models have shown promise for automated ECG interpretation, but require large amounts of labeled data, which are often scarce in practice. We propose a physiology-aware pipeline that (i) synthesizes 12-lead ECGs with tunable MI morphology and realistic noise, and (ii) pre-trains recurrent and transformer classifiers with self-supervised masked-autoencoding plus a joint reconstruction-classification objective. We validate the realism of synthetic ECGs via statistical and visual analysis, confirming that key morphological features are preserved. Pretraining on synthetic data consistently improved classification performance, particularly in low-data settings, with AUC gains of up to 4 percentage points. These results show that controlled synthetic ECGs can help improve MI detection when real clinical data is limited.
• Abstract（参考訳）: 心筋梗塞は世界中で大きな死因であり,心電図(ECG)からの正確な早期診断が臨床上の優先事項である。 ディープラーニングモデルは、自動ECG解釈の可能性を示してきたが、実際には少ない大量のラベル付きデータを必要とする。 生理学を意識したパイプラインを提案する。 i) 調整可能なMI形態と現実的な雑音で12個の心電図を合成し、 (II) 自己監督型マスク自動符号化と共同再建型分類を併用した事前訓練および変圧器分類器。 統計的および視覚的分析により, 合成心電図のリアリズムを検証し, 重要な形態的特徴が保存されていることを確認した。 合成データの事前トレーニングは、特に低データ設定における分類性能を継続的に改善し、AUCは最大4ポイント向上した。 これらの結果から,コントロールされた人工心電図は,実際の臨床データに制限がある場合にMI検出を改善することが示唆された。

関連論文リスト

• Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
  PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。 英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。 心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
  論文  参考訳（メタデータ） (2025-06-24T17:19:39Z)
• FADE: Forecasting for Anomaly Detection on ECG [4.914228925573227]
  本研究の目的は,通常の心電図予測と異常検出のために設計された深層学習システムFADEを提案することである。 FADEは、新しい形態学的にインスパイアされた損失関数で、自己監督的な方法で訓練されている。 本手法は,心電図信号と実際のセンサデータとの新たな距離関数を用いて,心臓の異常を効果的に同定する。
  論文  参考訳（メタデータ） (2025-02-11T09:19:39Z)
• DiffuSETS: 12-lead ECG Generation Conditioned on Clinical Text Reports and Patient-Specific Information [13.680337221159506]
  心臓病は人間の健康にとって重大な脅威である。 プライバシー上の懸念と限られた医療資源によって駆動される高品質なECGデータの空洞化は、効果的なECG信号生成の押し付けの必要性を生み出します。 セマンティックアライメントと忠実度の高いECG信号を生成可能な新しいフレームワークであるDiffuSETSを提案する。
  論文  参考訳（メタデータ） (2025-01-10T12:55:34Z)
• Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
  我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。 その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。 今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
  論文  参考訳（メタデータ） (2024-12-17T18:07:40Z)
• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• 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)
• Masked Transformer for Electrocardiogram Classification [7.229662895786343]
  MTECG(Masked Transformer for ECG classification)は、ECG分類における最新の最先端アルゴリズムを著しく上回る、単純かつ効果的な手法である。 220,251個の心電図記録と広範囲の診断を行い,医療専門家が注釈を付した不破井データセットを構築した。
  論文  参考訳（メタデータ） (2023-08-31T09:21:23Z)
• MedalCare-XL: 16,900 healthy and pathological 12 lead ECGs obtained through electrophysiological simulations [0.12417791895581763]
  機械的心電気生理学的モデルでは、心臓の電気活動のパーソナライズされたシミュレーションと、それに続く心電図(ECG)を体表面で行うことができる。 電気生理学的シミュレーションに基づいて, 合計16,900個の心電図からなる新しい合成データベースを作成した。 仮想コホートと公用臨床心電図データベースとの抽出特徴の比較により, 臨床心電図の合成信号は健常者, 病理組織学的サブポピュレーションにおいて高い忠実度を有する症例において臨床心電図を表すことが示された。
  論文  参考訳（メタデータ） (2022-11-29T07:46:39Z)
• 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。