論文の概要: Explainable Parallel CNN-LSTM Model for Differentiating Ventricular Tachycardia from Supraventricular Tachycardia with Aberrancy in 12-Lead ECGs

• arxiv url: http://arxiv.org/abs/2507.14196v1
• Date: Mon, 14 Jul 2025 12:12:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.751556
• Title: Explainable Parallel CNN-LSTM Model for Differentiating Ventricular Tachycardia from Supraventricular Tachycardia with Aberrancy in 12-Lead ECGs
• Title（参考訳）: 12誘導心電図における心室頻拍と心室頻拍との鑑別のための説明可能なパラレルCNN-LSTMモデル
• Authors: Zahra Teimouri-Jervekani, Fahimeh Nasimi, Mohammadreza Yazdchi, Ghazal MogharehZadeh, Javad Tezerji, Farzan Niknejad Mazandarani, Maryam Mohebbi,
• Abstract要約: 本稿では,診断精度を向上させるための計算効率のよいディープラーニングソリューションを提案し,臨床展開のためのモデル解釈性を提供する。 各パイプラインは2つの1D-CNNブロックを使用して各ECGリードを処理し、局所的な特徴を抽出する。 このモデルは、95%$ CI:93.07-98.19%$、感度=95.10%$、特異性=96.06%$、F1-score=95.12%$を達成した。
• 参考スコア（独自算出の注目度）: 4.263117296632119
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Background and Objective: Differentiating wide complex tachycardia (WCT) is clinically critical yet challenging due to morphological similarities in electrocardiogram (ECG) signals between life-threatening ventricular tachycardia (VT) and supraventricular tachycardia with aberrancy (SVT-A). Misdiagnosis carries fatal risks. We propose a computationally efficient deep learning solution to improve diagnostic accuracy and provide model interpretability for clinical deployment. Methods: A novel lightweight parallel deep architecture is introduced. Each pipeline processes individual ECG leads using two 1D-CNN blocks to extract local features. Feature maps are concatenated across leads, followed by LSTM layers to capture temporal dependencies. Final classification employs fully connected layers. Explainability is achieved via Shapley Additive Explanations (SHAP) for local/global interpretation. The model was evaluated on a 35-subject ECG database using standard performance metrics. Results: The model achieved $95.63\%$ accuracy ($95\%$ CI: $93.07-98.19\%$), with sensitivity=$95.10\%$, specificity=$96.06\%$, and F1-score=$95.12\%$. It outperformed state-of-the-art methods in both accuracy and computational efficiency, requiring minimal CNN blocks per pipeline. SHAP analysis demonstrated clinically interpretable feature contributions. Conclusions: Our end-to-end framework delivers high-precision WCT classification with minimal computational overhead. The integration of SHAP enhances clinical trust by elucidating decision logic, supporting rapid, informed diagnosis. This approach shows significant promise for real-world ECG analysis tools.
• Abstract（参考訳）: 背景と目的: 心室頻拍(VT)と心室頻拍(SVT-A)の心電図(ECG)信号との形態的類似性から, 臨床的に危惧されるが困難である。 誤診は致命的なリスクをもたらす。 本稿では,診断精度を向上させるための計算効率のよいディープラーニングソリューションを提案し,臨床展開のためのモデル解釈性を提供する。 メソッド: 新しい軽量並列ディープアーキテクチャが導入される。 各パイプラインは2つの1D-CNNブロックを使用して個々のECGリードを処理し、局所的な特徴を抽出する。 フィーチャーマップはリード間で結合され、続いてLSTMレイヤが時間的依存関係をキャプチャする。 最終分類は、完全に連結された層を用いる。 説明性はShapley Additive Explanations (SHAP)を通じて局所的/言語的解釈を行う。 標準性能指標を用いて35サブジェクトECGデータベース上で評価を行った。 結果: モデルは9,5.63 %$精度(95 %$ CI: 93.07-98.19 %$)、感度=95.10 %$、特異性=96.06 %$、F1 スコア=95.12 %$)を達成した。 精度と計算効率の両方において最先端の手法より優れており、パイプライン当たりのCNNブロックは最小限である。 SHAP解析により臨床的に解釈可能な特徴が認められた。 結論: エンドツーエンドのフレームワークは,計算オーバーヘッドを最小限に抑えた高精度なWCT分類を提供する。 SHAPの統合は、意思決定ロジックを解明し、迅速な情報診断を支援することによって、臨床信頼を高める。 このアプローチは、現実世界のECG分析ツールに大きな可能性を秘めている。

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)
• Cardioformer: Advancing AI in ECG Analysis with Multi-Granularity Patching and ResNet [0.6919386619690135]
  Cardioformerは、新しいマルチグラニュラリティハイブリッドモデルである。 チャネル間のパッチ、階層的残差学習、および2段階の自己認識機構を統合している。 一貫して4つの最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-08T16:44:21Z)
• ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification [0.0]
  本稿では,エッジデバイス上での効率的なリアルタイム不整脈分類に最適化されたArrhythmiNet V1とV2を提案する。 MobileNetの深い分離可能な畳み込み設計にインスパイアされたこれらのモデルは、それぞれ302.18KBと157.76KBのメモリフットプリントを維持している。 本研究は, 実用, ウェアラブル, 組込みECGモニタリングシステムにおいて, 解釈可能性, 予測精度, 計算効率の両立の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-04-30T18:22:45Z)
• A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
  全体拡散強調MRI(WB-DWI)のADC値とTotal Diffusion Volume(TDV)が癌画像バイオマーカーとして認識されている。 最初のステップとして, 骨格, 隣接する内臓器(肝, 脾臓, 膀胱, 腎臓) および脊髄の高速かつ再現可能な確率マップを生成するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-26T17:03:46Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• An Explainable Non-local Network for COVID-19 Diagnosis [37.378584156643825]
  新型3次元非局所ネットワーク(NL-RAN)を用いて,COVID-19,コモン肺炎,正常などのCT画像の分類を行った。 ネットワークにはグローバル情報をキャプチャするための非ローカルモジュールが埋め込まれており、3Dアテンションモジュールは病変の詳細に集中するために埋め込まれている。 実験結果から,提案手法は既存手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-08T08:35:21Z)
• MEDPSeg: Hierarchical polymorphic multitask learning for the segmentation of ground-glass opacities, consolidation, and pulmonary structures on computed tomography [37.119000111386924]
  MEDPSegは階層型多形マルチタスク学習(HPML)を通して異種胸部CTターゲットから学習する 本稿では,GGOと統合セグメンテーションタスクの最先端性能を実現するPMLについて述べる。 さらに、MEDPSegは肺発作、気道、肺動脈、肺病変の分節を同時に行う。
  論文  参考訳（メタデータ） (2023-12-04T21:46:39Z)
• Towards Enabling Cardiac Digital Twins of Myocardial Infarction Using Deep Computational Models for Inverse Inference [6.447210290674733]
  シミュレーションされたQRSから脳梗塞の位置と分布を推定するために,二分岐変分オートエンコーダと推論モデルからなる新しい深部計算モデルを提案する。 感度分析により、脳梗塞の特徴と電気生理学的特徴との複雑な関係の理解が促進される。
  論文  参考訳（メタデータ） (2023-07-10T08:54:12Z)
• Interpretable Tsetlin Machine-based Premature Ventricular Contraction Identification [10.929778688942825]
  我々は,長期心電図信号を解析し,早期心室収縮(PVC)同定のためのTsetlin Machine (TM) アーキテクチャを開発した。 我々の数値的な結果は、TMがMIT-BIHデータベース上で畳み込みニューラルネットワーク(CNN)に匹敵する性能を提供することを示している。 本研究は,臨床実習における心電図解析のための機械学習(ML)の方法である。
  論文  参考訳（メタデータ） (2023-01-20T09:28:14Z)
• 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)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。