論文の概要: Advancing Few-Shot Pediatric Arrhythmia Classification with a Novel Contrastive Loss and Multimodal Learning

• arxiv url: http://arxiv.org/abs/2509.19315v1
• Date: Wed, 10 Sep 2025 05:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-28 15:30:14.411677
• Title: Advancing Few-Shot Pediatric Arrhythmia Classification with a Novel Contrastive Loss and Multimodal Learning
• Title（参考訳）: 新しいコントラスト損失とマルチモーダル学習を併用したFew-Shot Pediatric arrhythmia分類の改善
• Authors: Yiqiao Chen, Zijian Huang, Zhenghui Feng,
• Abstract要約: 本稿では、ECGとIEGMのための二重分岐畳み込みエンコーダを組み合わせたマルチモーダルエンドツーエンドディープラーニングフレームワークを提案する。 また,アダプティブ・グローバル・クラス・アウェア・コントラシティブ・ロスと呼ばれる新たなコントラシブ・ロスファクニションを導入する。
• 参考スコア（独自算出の注目度）: 0.9225176258772595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pediatric arrhythmias are a major risk factor for disability and sudden cardiac death, yet their automated classification remains challenging due to class imbalance, few-shot categories, and complex signal characteristics, which severely limit the efficiency and reliability of early screening and clinical intervention. To address this problem, we propose a multimodal end-to-end deep learning framework that combines dual-branch convolutional encoders for ECG and IEGM, semantic attention for cross-modal feature alignment, and a lightweight Transformer encoder for global dependency modeling. In addition, we introduce a new contrastive loss fucntion named Adaptive Global Class-Aware Contrastive Loss (AGCACL) to enhance intra-class compactness and inter-class separability through class prototypes and a global similarity matrix. To the best of our knowledge, this is the first systematic study based on the Leipzig Heart Center pediatric/congenital ECG+IEGM dataset, for which we also provide a complete and reproducible preprocessing pipeline. Experimental results demonstrate that the proposed method achieves the overall best performance on this dataset, including 97.76\% Top-1 Accuracy, 94.08\% Macro Precision, 91.97\% Macro Recall, 92.97\% Macro F1, and 92.36\% Macro F2, with improvements of +13.64, +15.96, +19.82, and +19.44 percentage points over the strongest baseline in Macro Precision/Recall/F1/F2, respectively. These findings indicate that the framework significantly improves the detectability and robustness for minority arrhythmia classes, offering potential clinical value for rhythm screening, pre-procedural assessment, and postoperative follow-up in pediatric and congenital heart disease populations.
• Abstract（参考訳）: 小児不整脈は、障害や突然の心臓死の主要な危険因子であるが、その自動分類は、クラス不均衡、少数ショットカテゴリー、複雑な信号特性のために困難であり、早期スクリーニングと臨床介入の効率と信頼性を著しく制限している。 この問題に対処するために,ECGとIEGMの二重分岐畳み込みエンコーダ,クロスモーダル機能アライメントのセマンティックアライメント,グローバル依存性モデリングのための軽量トランスフォーマーエンコーダを組み合わせたマルチモーダルエンドツーエンドディープラーニングフレームワークを提案する。 さらに,クラスプロトタイプとグローバル類似性行列によるクラス内コンパクト性とクラス間分離性を高めるために,Adaptive Global Class-Aware Contrastive Loss (AGCACL) という新たなコントラスト損失ファクシションを導入する。 我々の知る限り、これはLeipzig Heart Center pediatric/Congenital ECG+IEGMデータセットに基づく最初の体系的研究であり、完全かつ再現可能な前処理パイプラインも提供しています。 実験の結果, 提案手法は, 97.76\% Top-1精度, 94.08\% Macro Precision, 91.97\% Macro Recall, 92.97\% Macro F1, 92.36\% Macro F2, +13.64, +15.96, +19.82, +19.44のそれぞれ改善された。 以上の結果より, 本フレームワークは, 小児および先天性心疾患患者において, リズムスクリーニング, 手続き前評価, 術後経過観察において, 不整脈に対する検出性と堅牢性を大幅に向上させる可能性が示唆された。

関連論文リスト

• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• An Explainable AI-Enhanced Machine Learning Approach for Cardiovascular Disease Detection and Risk Assessment [0.0]
  心臓病は依然として世界的な健康上の問題である。 従来の診断方法では、心臓病のリスクを正確に特定し、管理することができない。 機械学習は、心臓疾患の診断の正確性、効率、スピードを大幅に向上させる可能性がある。
  論文  参考訳（メタデータ） (2025-07-15T10:38:38Z)
• Attention-Enhanced Deep Learning Ensemble for Breast Density Classification in Mammography [0.0]
  本研究では,乳房密度の頑健な二分分類のための自動深層学習システムを提案する。 先進的な畳み込みニューラルネットワークを4つ実装し比較した。 焦点損失, ラベルの平滑化, およびクラスバランスの重み付けを併用した, 新規な焦点ラベル平滑化機能を開発した。
  論文  参考訳（メタデータ） (2025-07-08T21:26:33Z)
• EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification [1.5162243843944596]
  シングルリード信号に適した新しいECG不整脈分類ネットワークであるEXGnetを提案する。 トレーニング中のXAI監督は、そのモデルの注意を臨床的に関連する心電図領域に向ける。 短信号と長期信号の両方を効率的に捉えるために,革新的なマルチレゾリューションブロックを導入する。
  論文  参考訳（メタデータ） (2025-06-14T08:48:44Z)
• Stroke Disease Classification Using Machine Learning with Feature Selection Techniques [1.6044444452278062]
  心臓病は世界中で致死率と死亡率の主要な原因である。 我々は,心臓病の分類を高度化するための特徴選択技術を備えた新しい投票システムを開発した。 XGBoostは、99%の精度、F1スコア、98%のリコール、100%のROC AUCを達成した。
  論文  参考訳（メタデータ） (2025-04-01T07:16:49Z)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)

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。