論文の概要: Combining ECG Foundation Model and XGBoost to Predict In-Hospital Malignant Ventricular Arrhythmias in AMI Patients

• arxiv url: http://arxiv.org/abs/2510.17172v1
• Date: Mon, 20 Oct 2025 05:26:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.31708
• Title: Combining ECG Foundation Model and XGBoost to Predict In-Hospital Malignant Ventricular Arrhythmias in AMI Patients
• Title（参考訳）: AMI患者における心電図とXGBoostの併用による心室不整脈予測
• Authors: Shun Huang, Wenlu Xing, Shijia Geng, Hailong Wang, Guangkun Nie, Gongzheng Tang, Chenyang He, Shenda Hong,
• Abstract要約: 急性心筋梗塞(AMI)後の心室不整脈(VT/VF)は院内死亡の主な原因である。 本研究の目的は,大規模な心電図基礎モデル(ECGFounder)と解釈可能なXGBoost分類器を統合するハイブリッド予測フレームワークを開発することである。 AMI患者6,634例の心電図解析を行い,そのうち175例が院内VT/VFであった。
• 参考スコア（独自算出の注目度）: 14.778478113602675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Malignant ventricular arrhythmias (VT/VF) following acute myocardial infarction (AMI) are a major cause of in-hospital death, yet early identification remains a clinical challenge. While traditional risk scores have limited performance, end-to-end deep learning models often lack the interpretability needed for clinical trust. This study aimed to develop a hybrid predictive framework that integrates a large-scale electrocardiogram (ECG) foundation model (ECGFounder) with an interpretable XGBoost classifier to improve both accuracy and interpretability. We analyzed 6,634 ECG recordings from AMI patients, among whom 175 experienced in-hospital VT/VF. The ECGFounder model was used to extract 150-dimensional diagnostic probability features , which were then refined through feature selection to train the XGBoost classifier. Model performance was evaluated using AUC and F1-score , and the SHAP method was used for interpretability. The ECGFounder + XGBoost hybrid model achieved an AUC of 0.801 , outperforming KNN (AUC 0.677), RNN (AUC 0.676), and an end-to-end 1D-CNN (AUC 0.720). SHAP analysis revealed that model-identified key features, such as "premature ventricular complexes" (risk predictor) and "normal sinus rhythm" (protective factor), were highly consistent with clinical knowledge. We conclude that this hybrid framework provides a novel paradigm for VT/VF risk prediction by validating the use of foundation model outputs as effective, automated feature engineering for building trustworthy, explainable AI-based clinical decision support systems.
• Abstract（参考訳）: 急性心筋梗塞(AMI)後の悪性心室不整脈(VT/VF)は院内死亡の大きな原因であるが,早期診断は臨床上の課題である。 従来のリスクスコアはパフォーマンスに制限があるが、エンドツーエンドのディープラーニングモデルは、臨床信頼に必要な解釈性に欠けることが多い。 本研究の目的は,大規模な心電図基礎モデル(ECGFounder)と解釈可能なXGBoost分類器を統合し,精度と解釈可能性の両方を改善するハイブリッド予測フレームワークを開発することである。 AMI患者6,634例の心電図解析を行い,そのうち175例が院内VT/VFであった。 ECGFounderモデルは150次元の診断確率特徴を抽出するために用いられ、XGBoost分類器を訓練するために特徴選択によって洗練される。 モデル性能をAUCとF1スコアで評価し,SHAP法を用いて解析を行った。 ECGFounder + XGBoostハイブリッドモデルは、KNN(AUC 0.677)、RNN(AUC 0.676)、エンドツーエンドの1D-CNN(AUC 0.720)を上回る0.801のAUCを達成した。 SHAP分析では, 早期心室複合体 (リスク予測因子) や正常洞リズム (保護因子) などのモデル同定キーが臨床知識と極めて一致していることが判明した。 我々は,このハイブリッドフレームワークが,信頼に足る,説明可能なAIベースの臨床診断支援システムを構築する上で,基礎モデル出力を効果的かつ自動化された特徴工学として活用することを検証することによって,VT/VFリスク予測の新しいパラダイムを提供すると結論付けた。

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)
• 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)
• 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)
• Electrocardiogram-based diagnosis of liver diseases: an externally validated and explainable machine learning approach [0.9503773054285559]
  肝疾患は世界的な健康上の課題となる。 ECGは、心臓血管と肝の相互作用を捉えて肝疾患の検出を可能にする。 肝疾患を検出するため,心電図機能を用いた木ベース機械学習モデルを訓練した。
  論文  参考訳（メタデータ） (2024-12-04T21:11:34Z)
• rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
  本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。 提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
  論文  参考訳（メタデータ） (2024-10-09T11:17:02Z)
• Improving Machine Learning Based Sepsis Diagnosis Using Heart Rate Variability [0.0]
  本研究の目的は、心拍変動(HRV)機能を用いて、敗血症検出のための効果的な予測モデルを開発することである。 ニューラルネットワークモデルは、HRVの特徴に基づいてトレーニングされ、F1スコアは0.805、精度は0.851、リコールは0.763である。
  論文  参考訳（メタデータ） (2024-08-01T01:47:29Z)
• Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
  本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-03-18T18:09:22Z)
• 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)
• 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)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)

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。