論文の概要: Prototype Learning to Create Refined Interpretable Digital Phenotypes from ECGs

• arxiv url: http://arxiv.org/abs/2508.01521v1
• Date: Sat, 02 Aug 2025 23:52:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.921593
• Title: Prototype Learning to Create Refined Interpretable Digital Phenotypes from ECGs
• Title（参考訳）: ECGから書き直された解釈可能なディジタルフェノタイプを作成するためのプロトタイプ学習
• Authors: Sahil Sethi, David Chen, Michael C. Burkhart, Nipun Bhandari, Bashar Ramadan, Brett Beaulieu-Jones,
• Abstract要約: プロトタイプベースのニューラルネットワークは、トレーニングデータに固定された学習された代表的な信号パターンと入力を比較して解釈可能な予測を提供する。 PTB-XLデータセットを用いた多ラベルECG分類のためのプロトタイプベースディープラーニングモデルを用いる。 分類専用に訓練された個別の試作機がフェーコード形式での退院診断に関連があるかどうかを評価する。
• 参考スコア（独自算出の注目度）: 0.21987601456703473
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Prototype-based neural networks offer interpretable predictions by comparing inputs to learned, representative signal patterns anchored in training data. While such models have shown promise in the classification of physiological data, it remains unclear whether their prototypes capture an underlying structure that aligns with broader clinical phenotypes. We use a prototype-based deep learning model trained for multi-label ECG classification using the PTB-XL dataset. Then without modification we performed inference on the MIMIC-IV clinical database. We assess whether individual prototypes, trained solely for classification, are associated with hospital discharge diagnoses in the form of phecodes in this external population. Individual prototypes demonstrate significantly stronger and more specific associations with clinical outcomes compared to the classifier's class predictions, NLP-extracted concepts, or broader prototype classes across all phecode categories. Prototype classes with mixed significance patterns exhibit significantly greater intra-class distances (p $<$ 0.0001), indicating the model learned to differentiate clinically meaningful variations within diagnostic categories. The prototypes achieve strong predictive performance across diverse conditions, with AUCs ranging from 0.89 for atrial fibrillation to 0.91 for heart failure, while also showing substantial signal for non-cardiac conditions such as sepsis and renal disease. These findings suggest that prototype-based models can support interpretable digital phenotyping from physiologic time-series data, providing transferable intermediate phenotypes that capture clinically meaningful physiologic signatures beyond their original training objectives.
• Abstract（参考訳）: プロトタイプベースのニューラルネットワークは、トレーニングデータに固定された学習された代表的な信号パターンと入力を比較して解釈可能な予測を提供する。 このようなモデルは生理学的なデータの分類において有望であることを示しているが、彼らのプロトタイプがより広範な臨床表現型と整合する基盤構造を捉えているかどうかは不明である。 PTB-XLデータセットを用いた多ラベルECG分類のためのプロトタイプベースディープラーニングモデルを用いる。 その後,MIMIC-IV 臨床データベース上で推測を行った。 本研究は, 個別の試作機が, 病院の退院診断と関連しているかどうかを, 外部集団のフェーコードとして評価するものである。 個々のプロトタイプは、分類器のクラス予測、NLP抽出概念、または全てのフェーコードカテゴリにわたるより広範なプロトタイプクラスと比較して、より強く、より特異的な臨床結果の関連を示す。 有意なパターンが混在する原型クラスは, 診断カテゴリーにおいて臨床的に有意な変動を区別するために学習されたモデルで, クラス内距離が有意に大きい(p $<$ 0.0001)。 AUCは心房細動の0.89から心不全の0.91まで、また敗血症や腎疾患などの非心疾患の有意なシグナルも示している。 これらの結果から, プロトタイプベースのモデルは, 生理的時系列データから解釈可能なデジタル表現型をサポートし, 臨床的に有意な生理的シグネチャを捉えた伝達可能な中間表現型を提供する可能性が示唆された。

関連論文リスト

• ProtoECGNet: Case-Based Interpretable Deep Learning for Multi-Label ECG Classification with Contrastive Learning [0.21079694661943607]
  ProtoECGNetは、解釈可能な多ラベルECG分類のためのプロトタイプディープラーニングモデルである。 PTB-XLデータセットから71の診断ラベルについてProtoECGNetを評価する。 ProtoECGNetは、プロトタイプ学習を複雑で多ラベルの時系列分類に効果的にスケールできることを示した。
  論文  参考訳（メタデータ） (2025-04-11T17:23:37Z)
• An evaluation of GPT models for phenotype concept recognition [0.4715973318447338]
  臨床表現型および表現型アノテーションのためのGPT(Generative Pre-trained Transformer)モデルの性能について検討した。 その結果、適切な設定で、これらのモデルが芸術的パフォーマンスの状態を達成できることが示されている。
  論文  参考訳（メタデータ） (2023-09-29T12:06:55Z)
• Graph-Ensemble Learning Model for Multi-label Skin Lesion Classification using Dermoscopy and Clinical Images [7.159532626507458]
  本研究では,グラフ畳み込みネットワーク(GCN)を導入し,相関行列として各カテゴリ間の先行的共起を多ラベル分類のためのディープラーニングモデルに活用する。 本稿では,GCNからの予測を融合モデルからの予測の補完情報とみなすグラフ・アンサンブル学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-04T13:19:57Z)
• Interpretable Classification of Early Stage Parkinson's Disease from EEG [0.6597195879147557]
  本稿では,脳波データを用いたパーキンソン病の早期発見のための新しいアプローチを提案する。 この表現は、ノイズの多い脳波信号から必須情報を捕捉し、疾患検出を改善するという仮説である。 この表現から抽出された統計的特徴は、解釈可能な機械学習モデルの入力として利用される。 この論文で示された結果は、パーキンソンの4つの初期段階のケースのうち3つ以上がパイプラインでキャプチャされることを示している。
  論文  参考訳（メタデータ） (2023-01-20T16:11:02Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Hybrid deep learning methods for phenotype prediction from clinical notes [4.866431869728018]
  本稿では,自然言語処理とディープラーニングモデルを用いて,患者表現型を自動的に抽出するハイブリッドモデルを提案する。 提案したハイブリッドモデルは,患者の退院報告における表現型を特定するために,ニューラル双方向シーケンスモデル(BiLSTMまたはBiGRU)と畳み込みニューラルネットワーク(CNN)に基づいている。
  論文  参考訳（メタデータ） (2021-08-16T05:57:28Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• 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)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。