論文の概要: CardioForest: An Explainable Ensemble Learning Model for Automatic Wide QRS Complex Tachycardia Diagnosis from ECG

• arxiv url: http://arxiv.org/abs/2509.25804v1
• Date: Tue, 30 Sep 2025 05:23:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.44061
• Title: CardioForest: An Explainable Ensemble Learning Model for Automatic Wide QRS Complex Tachycardia Diagnosis from ECG
• Title（参考訳）: CardioForest:心電図によるQRS複雑頻拍自動診断のための説明可能なアンサンブル学習モデル
• Authors: Vaskar Chakma, Ju Xiaolin, Heling Cao, Xue Feng, Ji Xiaodong, Pan Haiyan, Gao Zhan,
• Abstract要約: 本研究は,心電図信号からワイドQRS複合頻拍(WCT)を自動的に検出するための,アンサンブル機械学習に基づくフレームワークの開発と評価を目的とする。 提案システムは、CardioForestとして知られる最適化されたランダムフォレストのアンサンブル学習技術と、XGBoostやLightGBMのようなモデルを統合する。 CardioForestモデルは全ての測定基準で最善を尽くし、94.95%の試験精度、88.31%のバランスの取れた精度、高精度とリコールのメトリクスを達成した。
• 参考スコア（独自算出の注目度）: 2.2296422025503735
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study aims to develop and evaluate an ensemble machine learning-based framework for the automatic detection of Wide QRS Complex Tachycardia (WCT) from ECG signals, emphasizing diagnostic accuracy and interpretability using Explainable AI. The proposed system integrates ensemble learning techniques, i.e., an optimized Random Forest known as CardioForest, and models like XGBoost and LightGBM. The models were trained and tested on ECG data from the publicly available MIMIC-IV dataset. The testing was carried out with the assistance of accuracy, balanced accuracy, precision, recall, F1 score, ROC-AUC, and error rate (RMSE, MAE) measures. In addition, SHAP (SHapley Additive exPlanations) was used to ascertain model explainability and clinical relevance. The CardioForest model performed best on all metrics, achieving a test accuracy of 94.95%, a balanced accuracy of 88.31%, and high precision and recall metrics. SHAP analysis confirmed the model's ability to rank the most relevant ECG features, such as QRS duration, in accordance with clinical intuitions, thereby fostering trust and usability in clinical practice. The findings recognize CardioForest as an extremely dependable and interpretable WCT detection model. Being able to offer accurate predictions and transparency through explainability makes it a valuable tool to help cardiologists make timely and well-informed diagnoses, especially for high-stakes and emergency scenarios.
• Abstract（参考訳）: 本研究は,ECG信号からワイドQRS複合頻拍(WCT)を自動的に検出するアンサンブル機械学習ベースのフレームワークを開発し,評価することを目的としている。 提案システムは、CardioForestとして知られる最適化されたランダムフォレストのアンサンブル学習技術と、XGBoostやLightGBMのようなモデルを統合する。 これらのモデルは、公開されているMIMIC-IVデータセットのECGデータに基づいてトレーニングされ、テストされた。 このテストは精度、バランスの取れた精度、精度、リコール、F1スコア、ROC-AUC、エラーレート(RMSE, MAE)の測定を補助して実施された。 さらに,SHAP (SHapley Additive exPlanations) を用いて, モデル説明可能性と臨床関連性を確認した。 CardioForestモデルは全ての測定基準で最善を尽くし、94.95%の試験精度、88.31%のバランスの取れた精度、高精度とリコールのメトリクスを達成した。 SHAP分析により,QRS持続時間などの関連する心電図の特徴を臨床的直観に従ってランク付けし,臨床実習における信頼性とユーザビリティを高めることが確認された。 その結果,CardioForestは極めて信頼性が高く,解釈可能なWCT検出モデルであることがわかった。 説明可能性を通じて正確な予測と透明性を提供することができ、特に高用量および緊急シナリオにおいて、心臓科医がタイムリーで十分な診断を行うのに役立つ貴重なツールとなる。

関連論文リスト

• From Motion to Meaning: Biomechanics-Informed Neural Network for Explainable Cardiovascular Disease Identification [1.1142444517901016]
  我々は,ネオ・フック材料のエネルギーひずみ定式化を利用して心組織変形をモデル化する。 移動心内の局所ひずみを推定し,心血管疾患の分類に使用する特徴の詳細なセットを抽出した。
  論文  参考訳（メタデータ） (2025-07-08T08:43:05Z)
• 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)
• ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification [0.0]
  本稿では,エッジデバイス上での効率的なリアルタイム不整脈分類に最適化されたArrhythmiNet V1とV2を提案する。 MobileNetの深い分離可能な畳み込み設計にインスパイアされたこれらのモデルは、それぞれ302.18KBと157.76KBのメモリフットプリントを維持している。 本研究は, 実用, ウェアラブル, 組込みECGモニタリングシステムにおいて, 解釈可能性, 予測精度, 計算効率の両立の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-04-30T18:22:45Z)
• Detecting Long QT Syndrome and First-Degree Atrioventricular Block using Single-Lead AI-ECG: A Multi-Center Real-World Study [12.802249610851181]
  ホームベースのシングルリードAI-ECGデバイスは、継続的、現実世界の心臓モニタリングを可能にした。 本研究では,ECG計測計算アルゴリズムであるFeatureDBを,シングルリードモニタリングの文脈で評価した。 LQTSとAVBIの検出において、FeatureDBは商用ECGシステムに匹敵する診断性能を示した。
  論文  参考訳（メタデータ） (2025-02-21T08:11:17Z)
• Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
  機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。 本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
  論文  参考訳（メタデータ） (2024-12-07T08:29:44Z)
• 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)
• Prospects for AI-Enhanced ECG as a Unified Screening Tool for Cardiac and Non-Cardiac Conditions -- An Explorative Study in Emergency Care [0.9503773054285559]
  本研究は,救急部門で収集した心電図に基づいて,心臓および非心臓の退院診断の多様な範囲を予測できる単一モデルの有用性について検討する。 その結果,AUROCスコア0.8を超えるという意味では,253,81心,172非心,ICD符号を統計的に有意に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-12-18T09:29:42Z)
• 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)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)

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。