論文の概要: Predicting Chest Radiograph Findings from Electrocardiograms Using Interpretable Machine Learning

• arxiv url: http://arxiv.org/abs/2509.17674v1
• Date: Mon, 22 Sep 2025 12:18:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.36765
• Title: Predicting Chest Radiograph Findings from Electrocardiograms Using Interpretable Machine Learning
• Title（参考訳）: 解釈型機械学習を用いた心電図からの胸部X線所見の予測
• Authors: Julia Matejas, Olaf Żurawski, Nils Strodthoff, Juan Miguel Lopez Alcaraz,
• Abstract要約: 本研究の目的は,心電図の特徴と患者人口層が,解釈可能な機械学習手法を用いて胸部X線写真所見を予測できるかどうかを評価することである。 複数の胸部X線写真所見を, 精度の異なるモデルで予測した。 心電図由来の機能と患者の人口動態が組み合わさって、胸部X線写真所見のプロキシとして機能する。
• 参考スコア（独自算出の注目度）: 1.5446094669729622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Chest X-rays are essential for diagnosing pulmonary conditions, but limited access in resource-constrained settings can delay timely diagnosis. Electrocardiograms (ECGs), in contrast, are widely available, non-invasive, and often acquired earlier in clinical workflows. This study aims to assess whether ECG features and patient demographics can predict chest radiograph findings using an interpretable machine learning approach. Methods: Using the MIMIC-IV database, Extreme Gradient Boosting (XGBoost) classifiers were trained to predict diverse chest radiograph findings from ECG-derived features and demographic variables. Recursive feature elimination was performed independently for each target to identify the most predictive features. Model performance was evaluated using the area under the receiver operating characteristic curve (AUROC) with bootstrapped 95% confidence intervals. Shapley Additive Explanations (SHAP) were applied to interpret feature contributions. Results: Models successfully predicted multiple chest radiograph findings with varying accuracy. Feature selection tailored predictors to each target, and including demographic variables consistently improved performance. SHAP analysis revealed clinically meaningful contributions from ECG features to radiographic predictions. Conclusion: ECG-derived features combined with patient demographics can serve as a proxy for certain chest radiograph findings, enabling early triage or pre-screening in settings where radiographic imaging is limited. Interpretable machine learning demonstrates potential to support radiology workflows and improve patient care.
• Abstract（参考訳）: 目的: 胸部X線は肺疾患の診断に必須であるが, 資源制限された環境への限られたアクセスは, タイムリーな診断を遅らせる可能性がある。 対照的に心電図(ECG)は、広く利用でき、非侵襲的であり、臨床ワークフローの早期に取得されることが多い。 本研究の目的は,心電図の特徴と患者人口層が,解釈可能な機械学習手法を用いて胸部X線写真所見を予測できるかどうかを評価することである。 方法:MIMIC-IVデータベースを用いて,XGBoost(Extreme Gradient Boosting)分類器を訓練し,心電図由来の特徴と人口動態から胸部X線像の多様な所見を予測する。 再帰的特徴除去は各目標に対して独立に行われ,最も予測可能な特徴を同定した。 95%の信頼区間をブートストラップした受信機動作特性曲線(AUROC)に基づくモデル性能の評価を行った。 Shapley Additive Explanations (SHAP) は特徴の解釈に応用された。 結果:複数の胸部X線写真所見を精度良く予測できた。 特徴の選択はターゲットごとに予測器を調整し、人口統計変数を含む性能を継続的に改善した。 SHAP解析により心電図の特徴から放射線学的予測への臨床的意義が示された。 結論:心電図由来の特徴と患者の人口動態が組み合わさって、胸部X線写真所見のプロキシとして機能し、X線画像撮影が制限された環境で早期トリアージや事前スクリーニングを可能にする。 解釈可能な機械学習は、放射線学のワークフローをサポートし、患者のケアを改善する可能性を実証する。

関連論文リスト

• Explainable AI (XAI) for Arrhythmia detection from electrocardiograms [0.0]
  深層学習は心電図(ECG)信号から高い精度の不整脈検出を可能にしているが、臨床応用には限界がある。 本研究では,時系列ECG分析に特化して適応した説明可能なAI(XAI)技術の適用について検討する。
  論文  参考訳（メタデータ） (2025-08-24T10:44:24Z)
• Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
  自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。 本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:18:23Z)
• MedRAG: Enhancing Retrieval-augmented Generation with Knowledge Graph-Elicited Reasoning for Healthcare Copilot [47.77948063906033]
  Retrieval-augmented Generation (RAG)は、プライバシーに敏感な電子健康記録を検索するのに適した手法である。 本稿では,医療領域に対する知識グラフ(KG)により強化されたRAGモデルであるMedRAGを提案する。 MedRAGはより具体的な診断の洞察を提供し、誤診率の低減に最先端のモデルを上回っている。
  論文  参考訳（メタデータ） (2025-02-06T12:27:35Z)
• Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
  左室容積推定は各種心血管疾患の診断・管理に重要である。 近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。 本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T13:44:55Z)
• Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
  新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。 公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。 我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:57:04Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Explaining COVID-19 and Thoracic Pathology Model Predictions by Identifying Informative Input Features [47.45835732009979]
  ニューラルネットワークは胸部X線上の分類および回帰タスクにおいて顕著な性能を示した。 特徴帰属法は、出力予測における入力特徴の重要性を識別する。 本研究では,NIH Chest X-ray8およびBrixIAデータセット上で,人間中心の解釈可能性指標と人間に依存しない特徴重要度指標の両方を用いて評価する。
  論文  参考訳（メタデータ） (2021-04-01T11:42:39Z)
• Understanding Heart-Failure Patients EHR Clinical Features via SHAP Interpretation of Tree-Based Machine Learning Model Predictions [8.444557621643568]
  心不全(Heart failure, HF)は、死因の一つ。 機械学習モデル、具体的にはXGBoostモデルがEHRに基づいて患者ステージを正確に予測できるかどうかを検討した。 以上の結果から,EHRの構造化データに基づいて,患者の退院率(EF)を適度な精度で予測できることが示唆された。
  論文  参考訳（メタデータ） (2021-03-20T22:17:05Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。