論文の概要: Atrial Fibrillation Prediction Using a Lightweight Temporal Convolutional and Selective State Space Architecture

• arxiv url: http://arxiv.org/abs/2508.19361v1
• Date: Tue, 26 Aug 2025 18:37:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.398147
• Title: Atrial Fibrillation Prediction Using a Lightweight Temporal Convolutional and Selective State Space Architecture
• Title（参考訳）: 軽量時間畳み込みと選択状態空間構造を用いた心房細動予測
• Authors: Yongbin Lee, Ki H. Chon,
• Abstract要約: 心房細動(AF)は、脳卒中、心不全、その他の心血管合併症のリスクを高める最も一般的な不整脈である。 AFの早期予測を可能にするために,RRインターバル(RRI)のみを用いた軽量ディープラーニングモデルを提案する。 モデルでは、30分の入力データを使用して、AFを最大2時間予測することが可能で、予防的介入に十分なリードタイムを提供する。
• 参考スコア（独自算出の注目度）: 4.708957892654756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atrial fibrillation (AF) is the most common arrhythmia, increasing the risk of stroke, heart failure, and other cardiovascular complications. While AF detection algorithms perform well in identifying persistent AF, early-stage progression, such as paroxysmal AF (PAF), often goes undetected due to its sudden onset and short duration. However, undetected PAF can progress into sustained AF, increasing the risk of mortality and severe complications. Early prediction of AF offers an opportunity to reduce disease progression through preventive therapies, such as catecholamine-sparing agents or beta-blockers. In this study, we propose a lightweight deep learning model using only RR Intervals (RRIs), combining a Temporal Convolutional Network (TCN) for positional encoding with Mamba, a selective state space model, to enable early prediction of AF through efficient parallel sequence modeling. In subject-wise testing results, our model achieved a sensitivity of 0.908, specificity of 0.933, F1-score of 0.930, AUROC of 0.972, and AUPRC of 0.932. Additionally, our method demonstrates high computational efficiency, with only 73.5 thousand parameters and 38.3 MFLOPs, outperforming traditional Convolutional Neural Network-Recurrent Neural Network (CNN-RNN) approaches in both accuracy and model compactness. Notably, the model can predict AF up to two hours in advance using just 30 minutes of input data, providing enough lead time for preventive interventions.
• Abstract（参考訳）: 心房細動(AF)は、脳卒中、心不全、その他の心血管合併症のリスクを高める最も一般的な不整脈である。 AF検出アルゴリズムは持続性AFを特定するのによく機能するが、発作性AF(PAF)のような早期進行は、その突然の発症と短い期間のために検出されないことが多い。 しかしながら、未検出のPAFは持続的なAFへと進行し、死亡リスクと重篤な合併症のリスクが増大する。 AFの早期予測は、カテコールアミンスパーリング剤やベータブロッカーなどの予防的治療を通じて、疾患の進行を減少させる機会を提供する。 本研究では、RRインターバル(RRI)のみを用いた軽量なディープラーニングモデルを提案し、時間的畳み込みネットワーク(TCN)と選択状態空間モデルであるMambaを組み合わせ、効率的な並列シーケンスモデリングによりAFの早期予測を可能にする。 その結果,本モデルでは0.908の感度,0.933の特異性,0.930のF1スコア,0.972のAUROC,0.932のAUPRCが得られた。 さらに,従来の畳み込みニューラルネットワーク(CNN-RNN)よりも精度とモデルコンパクト性に優れる73.5万のパラメータと38.3のMFLOPで高い計算効率を示す。 特に、このモデルは30分の入力データを使用して、AFを最大2時間予測することができ、予防的介入に十分なリードタイムを提供する。

関連論文リスト

• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Quantitative perfusion maps using a novelty spatiotemporal convolutional neural network [13.188103532542797]
  本研究では,空間的・時間的情報を考慮した拡散パラメータ推定ネットワークを提案する。 その結果,脳血流量 (CBV), 脳血流量 (CBF), 残存機能 (Tmax) などの灌流パラメータを正確に推定できることが示唆された。 提案したモデルは、商用のゴールドスタンダードソフトウェアの性能に近づき、時間効率も維持する。
  論文  参考訳（メタデータ） (2023-12-08T09:22:25Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Deep neural networks for fast acquisition of aortic 3D pressure and velocity flow fields [0.0]
  計算流体力学(CFD)は、血管血行動態をシミュレートし、潜在的治療オプションを分析するために用いられる。 定期的な臨床用CFDの実装はまだ実現されていない。 CFDの障壁には、高い計算資源、シミュレーションのセットアップを設計するために必要な専門的な経験、長い処理時間が含まれる。 本研究は,従来の CFD の結果をML を用いてより高速に自動的かつ高精度に再現できることを示唆する。
  論文  参考訳（メタデータ） (2022-08-25T15:23:46Z)
• Automated Atrial Fibrillation Classification Based on Denoising Stacked Autoencoder and Optimized Deep Network [1.7403133838762446]
  心房細動(AFib)の発症率は世界中で増加傾向にある。 AFibのリスクを早期に検出するために,我々はディープニューラルネットワークに基づく自動検出システムを開発した。 Denoising Autoencoders (DAE) を用いて心電図信号を復調するエンド・ツー・エンドモデルを提案する。
  論文  参考訳（メタデータ） (2022-01-26T21:45:48Z)
• An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
  畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。 総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
  論文  参考訳（メタデータ） (2021-08-17T05:49:43Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。