論文の概要: Benchmarking ECG Foundational Models: A Reality Check Across Clinical Tasks

• arxiv url: http://arxiv.org/abs/2509.25095v1
• Date: Mon, 29 Sep 2025 17:29:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:20.166914
• Title: Benchmarking ECG Foundational Models: A Reality Check Across Clinical Tasks
• Title（参考訳）: 心電図基礎モデルのベンチマーク:臨床領域における現実性チェック
• Authors: M A Al-Masud, Juan Miguel Lopez Alcaraz, Nils Strodthoff,
• Abstract要約: 基礎モデルはより広範な適応性を約束するが、多種多様なECGタスクへの一般化は十分に理解されていない。 12の公開データセットを用いて,臨床関連タスク26のECG基盤モデルをベンチマークした。 基礎モデルは成人心電図解析の可能性を示唆するが, 心臓構造, 予後予測, 患者のキャラクタリゼーションには大きなギャップが残っている。
• 参考スコア（独自算出の注目度）: 1.6873748786804317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The 12-lead electrocardiogram (ECG) is a long-standing diagnostic tool. Yet machine learning for ECG interpretation remains fragmented, often limited to narrow tasks or datasets. Foundation models promise broader adaptability, but their generalization across diverse ECG tasks is not well understood. We benchmarked eight ECG foundation models on 26 clinically relevant tasks using 12 public datasets comprising 1,650 regression and classification targets. Models were evaluated under fine-tuning and frozen settings, with scaling analyses across dataset sizes. Results show heterogeneous performance across domains: in the most widely studied domain, adult ECG interpretation, three foundation models consistently outperformed strong supervised baselines. In contrast, ECG-CPC, a compact structured state-space model pretrained on HEEDB, dominated other categories where most foundation models failed to surpass supervised learning. Foundation models also displayed distinct scaling behaviors with dataset size, which are critical for small-scale clinical applications. Overall, while foundation models show promise for adult ECG analysis, substantial gaps remain in cardiac structure, outcome prediction, and patient characterization. Notably, ECG-CPC's strong performance despite being orders of magnitude smaller and consuming minimal computational resources highlights untapped opportunities for advancing ECG foundation models.
• Abstract（参考訳）: 12誘導心電図(ECG)は長年の診断ツールである。 しかし、ECG解釈のための機械学習は断片的であり、狭いタスクやデータセットに限られることが多い。 基礎モデルはより広範な適応性を約束するが、多種多様なECGタスクへの一般化は十分に理解されていない。 1,650の回帰と分類対象を含む12の公開データセットを用いて,臨床関連タスク26のECG基盤モデルをベンチマークした。 モデルを微調整および凍結した設定で評価し、データセットサイズのスケール分析を行った。 その結果、最も広く研究されている領域である成人心電図の解釈では、3つの基礎モデルが強い教師付きベースラインを一貫して上回る結果となった。 対照的に、ECG-CPCは、HEEDBで事前訓練されたコンパクトな構造化状態空間モデルであり、多くの基礎モデルが教師付き学習を超えなかった他のカテゴリを支配した。 ファウンデーションモデルは、データセットサイズの異なるスケーリング行動も示しており、これは小規模臨床応用に不可欠である。 全体として、基礎モデルは成人心電図解析の可能性を示唆するが、心臓構造、予後予測、患者の特徴には大きなギャップが残っている。 特に、ECG-CPCの規模は桁違いに小さく、最小限の計算資源を消費しているにもかかわらず、ECG-CPCの強力な性能は、ECG基盤モデルを前進させる未完成の機会を浮き彫りにしている。

関連論文リスト

• Hierarchical Attention Network for Interpretable ECG-based Heart Disease Classification [0.7234862895932991]
  テキスト分類のために開発された階層型注意ネットワーク(HAN)を心電図に基づく心電図型心電図分類タスクに適用する。 MIT-BIHデータセットでは、適応されたHANは、CAT-Netの99.14%と比較して98.55%の精度を達成し、モデルパラメータの数を15.6倍に削減した。 PTB-XLデータセットでは,CAT-Netに比べてモデル複雑性が19.3倍減少し,テスト精度は5%低下した。
  論文  参考訳（メタデータ） (2025-03-25T13:06:06Z)
• 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)
• An Electrocardiogram Foundation Model Built on over 10 Million Recordings with External Evaluation across Multiple Domains [17.809094003643523]
  ECG Foundation Model (ECGFounder)は、Harvard-Emory ECG Databaseから150のラベルカテゴリを持つ1000万以上のECGをトレーニングしている。 ECGFounderは内部検証セットのエキスパートレベルのパフォーマンスを達成し、AUROCは80の診断で0.95を超えている。 微調整されたECGFounderは、人口統計分析、臨床イベント検出、心拍数横断診断においてベースラインモデルを上回っている。
  論文  参考訳（メタデータ） (2024-10-05T12:12:02Z)
• ECG-FM: An Open Electrocardiogram Foundation Model [3.8270632390229777]
  本稿では,ECG分析のためのオープン基盤モデルであるECG-FMについて述べる。 ECG-FMは、コントラストと生成的自己教師付き学習のハイブリッドアプローチを用いて事前訓練されたトランスフォーマーベースのモデルである。 我々は,ECG-FMがロバストで,ラベル効率が高く,機能的に識別可能であることを確認した。
  論文  参考訳（メタデータ） (2024-08-09T17:06:49Z)
• 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)
• MEIT: Multimodal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [28.35107188450758]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。