論文の概要: MEETI: A Multimodal ECG Dataset from MIMIC-IV-ECG with Signals, Images, Features and Interpretations

• arxiv url: http://arxiv.org/abs/2507.15255v1
• Date: Mon, 21 Jul 2025 05:32:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.268033
• Title: MEETI: A Multimodal ECG Dataset from MIMIC-IV-ECG with Signals, Images, Features and Interpretations
• Title（参考訳）: MEETI:MIMIC-IV-ECGのマルチモーダルECGデータセット
• Authors: Deyun Zhang, Xiang Lan, Shijia Geng, Qinghao Zhao, Sumei Fan, Mengling Feng, Shenda Hong,
• Abstract要約: 心電図(ECG)は、非侵襲的不整脈、心筋虚血、伝導障害の診断を可能にする、現代の心血管ケアにおける基礎的な役割を担っている。 既存のECGデータセットの多くは、単一のモダリティデータのみを提供するか、あるいは少なくとも2つのモダリティを提供するため、さまざまなECG情報を現実世界の設定で理解し統合することのできるモデルを構築するのが難しくなる。 我々は、原波形データ、高解像度プロット画像、および大規模言語モデルによって生成された詳細なテキスト解釈を同期する最初の大規模ECGデータセットであるMEETIを紹介する。
• 参考スコア（独自算出の注目度）: 12.00096975933262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrocardiogram (ECG) plays a foundational role in modern cardiovascular care, enabling non-invasive diagnosis of arrhythmias, myocardial ischemia, and conduction disorders. While machine learning has achieved expert-level performance in ECG interpretation, the development of clinically deployable multimodal AI systems remains constrained, primarily due to the lack of publicly available datasets that simultaneously incorporate raw signals, diagnostic images, and interpretation text. Most existing ECG datasets provide only single-modality data or, at most, dual modalities, making it difficult to build models that can understand and integrate diverse ECG information in real-world settings. To address this gap, we introduce MEETI (MIMIC-IV-Ext ECG-Text-Image), the first large-scale ECG dataset that synchronizes raw waveform data, high-resolution plotted images, and detailed textual interpretations generated by large language models. In addition, MEETI includes beat-level quantitative ECG parameters extracted from each lead, offering structured parameters that support fine-grained analysis and model interpretability. Each MEETI record is aligned across four components: (1) the raw ECG waveform, (2) the corresponding plotted image, (3) extracted feature parameters, and (4) detailed interpretation text. This alignment is achieved using consistent, unique identifiers. This unified structure supports transformer-based multimodal learning and supports fine-grained, interpretable reasoning about cardiac health. By bridging the gap between traditional signal analysis, image-based interpretation, and language-driven understanding, MEETI established a robust foundation for the next generation of explainable, multimodal cardiovascular AI. It offers the research community a comprehensive benchmark for developing and evaluating ECG-based AI systems.
• Abstract（参考訳）: 心電図(ECG)は、非侵襲的不整脈、心筋虚血、伝導障害の診断を可能にする、現代の心血管ケアにおける基礎的な役割を担っている。 機械学習はECG解釈において専門家レベルのパフォーマンスを達成したが、臨床にデプロイ可能なマルチモーダルAIシステムの開発は、主に生信号、診断画像、解釈テキストを同時に組み込む公開データセットが欠如していることから、制約が残っている。 既存のECGデータセットの多くは、単一のモダリティデータのみを提供するか、あるいは少なくとも2つのモダリティを提供するため、さまざまなECG情報を現実世界の設定で理解し統合することのできるモデルを構築するのが難しくなる。 このギャップに対処するために,METI(MIMIC-IV-Ext ECG-Text-Image)という,原波形データ,高解像度プロット画像,および大規模言語モデルによって生成された詳細なテキスト解釈を同期する最初の大規模ECGデータセットを紹介する。 さらに、MEETIは、各リードから抽出されたビートレベルの定量的ECGパラメータを含み、きめ細かい分析とモデル解釈性をサポートする構造化されたパラメータを提供する。 それぞれのMEETIレコードは,(1)生のECG波形,(2)対応するプロット画像,(3)抽出された特徴パラメータ,(4)詳細な解釈テキストの4つの構成要素で構成されている。 このアライメントは、一貫したユニークな識別子を使って達成される。 この統合された構造は、トランスフォーマーベースのマルチモーダル学習をサポートし、心臓の健康に関する微細で解釈可能な推論をサポートする。 従来の信号分析、画像ベースの解釈、言語による理解のギャップを埋めることによって、MEETIは、説明可能なマルチモーダル心血管型AIの次世代のための堅牢な基盤を確立した。 ECGベースのAIシステムの開発と評価のための包括的なベンチマークを提供する。

関連論文リスト

• Sensing Cardiac Health Across Scenarios and Devices: A Multi-Modal Foundation Model Pretrained on Heterogeneous Data from 1.7 Million Individuals [36.08910150609342]
  広大で異質な健康記録から統一された表現を学習する心センシング基礎モデル(CSFM)を提案する。 我々のモデルは、複数の大規模データセットからのデータの革新的なマルチモーダル統合に基づいて事前訓練されている。 CSFMは従来のワンモーダル・ワン・タスク・アプローチより一貫して優れている。
  論文  参考訳（メタデータ） (2025-06-23T20:58:12Z)
• From Token to Rhythm: A Multi-Scale Approach for ECG-Language Pretraining [22.214252217020174]
  本稿では,マルチスケールECG-Language Pretraining(MELP)モデルを紹介する。 我々は、ゼロショットECG分類、線形探索、転送学習を含む、複数のタスクにわたる3つのパブリックECGデータセット上でMELPを評価する。
  論文  参考訳（メタデータ） (2025-06-11T07:22:17Z)
• Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
  医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T07:56:41Z)
• Signal, Image, or Symbolic: Exploring the Best Input Representation for Electrocardiogram-Language Models Through a Unified Framework [18.95201514457046]
  大型言語モデル(LLM)は心電図(ECG)の解釈に応用されている。 心電図-言語モデル(ELMs)は、専門の心電気生理学者をエミュレートし、診断を発行し、波形形態を分析し、寄与要因を特定し、患者固有の行動計画を提案する。 6つの公開データセットと5つの評価指標にまたがる、これらのモダリティに関する最初の包括的なベンチマークを示す。
  論文  参考訳（メタデータ） (2025-05-24T19:43:15Z)
• RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [64.66825253356869]
  本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。 我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。 RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-06T17:43:03Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• 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)
• 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)
• Auxiliary Signal-Guided Knowledge Encoder-Decoder for Medical Report Generation [107.3538598876467]
  放射線技師の動作パターンを模倣する補助信号誘導知識デコーダ(ASGK)を提案する。 ASGKは、内的特徴融合と外部医療言語情報を統合して、医療知識の伝達と学習をガイドする。
  論文  参考訳（メタデータ） (2020-06-06T01:00:15Z)

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。