論文の概要: CoFE: A Framework Generating Counterfactual ECG for Explainable Cardiac AI-Diagnostics

• arxiv url: http://arxiv.org/abs/2508.16033v1
• Date: Fri, 22 Aug 2025 01:33:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.222347
• Title: CoFE: A Framework Generating Counterfactual ECG for Explainable Cardiac AI-Diagnostics
• Title（参考訳）: CoFE: 説明可能な心臓AI診断のための非現実的なECGを生成するフレームワーク
• Authors: Jong-Hwan Jang, Junho Song, Yong-Yeon Jo,
• Abstract要約: textbfCountertextbfFactual textbfECGsを生成するフレームワークを導入し、振幅や間隔などの特定の特徴がモデルの予測決定にどのように影響するかを説明する。 我々のフレームワークは、AI-ECGモデルの解釈可能性を高め、より効果的な臨床的意思決定を支援する。
• 参考スコア（独自算出の注目度）: 3.3529020032130803
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recognizing the need for explainable AI (XAI) approaches to enable the successful integration of AI-based ECG prediction models (AI-ECG) into clinical practice, we introduce a framework generating \textbf{Co}unter\textbf{F}actual \textbf{E}CGs (i,e., named CoFE) to illustrate how specific features, such as amplitudes and intervals, influence the model's predictive decisions. To demonstrate the applicability of the CoFE, we present two case studies: atrial fibrillation classification and potassium level regression models. The CoFE reveals feature changes in ECG signals that align with the established clinical knowledge. By clarifying both \textbf{where valid features appear} in the ECG and \textbf{how they influence the model's predictions}, we anticipate that our framework will enhance the interpretability of AI-ECG models and support more effective clinical decision-making. Our demonstration video is available at: https://www.youtube.com/watch?v=YoW0bNBPglQ.
• Abstract（参考訳）: AIベースの心電図予測モデル(AI-ECG)を臨床実践に統合するために必要なAI(XAI)アプローチを認識するため,我々は,振幅や間隔などの特定の特徴がモデルの予測決定にどう影響するかを説明するために, {textbf{Co}unter\textbf{F}actual \textbf{E}CGs(すなわち,CoFE)を生成するフレームワークを導入する。 CoFEの適用性を示すために,心房細動分類とカリウムレベル回帰モデルという2つのケーススタディを提案する。 CoFEは、確立された臨床知識と一致するECG信号の特徴的変化を明らかにしている。 本稿では,ECGにおける「textbf{where valid features appear}」と「textbf{how they influence the model's predictions」の両方を明確にすることにより,AI-ECGモデルの解釈可能性を高め,より効果的な臨床的意思決定を支援することを期待する。 デモビデオは、https://www.youtube.com/watch? v=YoW0bNBPglQ。

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)
• CardioPatternFormer: Pattern-Guided Attention for Interpretable ECG Classification with Transformer Architecture [0.40964539027092906]
  解釈可能なECG分類のためのトランスフォーマーモデルであるCardioPatternFormerを提案する。 多様な心臓パターンを正確に識別し分類するために、洗練された注意機構を用いる。 微妙な異常を識別し、複数の共起条件を識別する。
  論文  参考訳（メタデータ） (2025-05-26T19:36:58Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [43.65650710265957]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
  本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。 提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
  論文  参考訳（メタデータ） (2024-10-09T11:17:02Z)
• 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)
• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• ETP: Learning Transferable ECG Representations via ECG-Text Pre-training [10.856365645831728]
  ECG-Text Pre-training (ETP)は、ECG信号とテキストレポートをリンクするクロスモーダル表現を学習するために設計された革新的なフレームワークである。 ETPはECGエンコーダと事前訓練された言語モデルを使用して、ECG信号を対応するテキストレポートと整合させる。
  論文  参考訳（メタデータ） (2023-09-06T19:19:26Z)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• DiffECG: A Versatile Probabilistic Diffusion Model for ECG Signals Synthesis [4.6685771141109305]
  本稿では,ECG合成の拡散確率モデルに基づく新しい多元性アプローチを提案する。 本手法は、ECG合成における最初の一般化された条件付きアプローチを示す。 提案手法は、他の最先端のECG生成モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-02T19:08:31Z)
• Text-to-ECG: 12-Lead Electrocardiogram Synthesis conditioned on Clinical Text Reports [6.659609788411503]
  本稿では,ECG出力を生成するためにテキスト入力を使用するテキスト・ツー・ECGタスクを提案する。 本稿では,12個の心電図を合成する自動回帰生成モデルAuto-TTEを提案する。
  論文  参考訳（メタデータ） (2023-03-09T11:58:38Z)
• Evaluating Explainable AI on a Multi-Modal Medical Imaging Task: Can Existing Algorithms Fulfill Clinical Requirements? [42.75635888823057]
  Heatmapは、AIモデルの予測の重要な特徴を強調する、説明の一形態である。 マルチモーダルな医用画像の意思決定において,ヒートマップがどの程度優れているかは分かっていない。 本稿では,この臨床的に重要であるが技術的に無視される問題に対処するために,MSFI(Modality-specific feature importance)尺度を提案する。
  論文  参考訳（メタデータ） (2022-03-12T17:18:16Z)

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。