論文の概要: Interpretable Multimodal Zero-Shot ECG Diagnosis via Structured Clinical Knowledge Alignment

• arxiv url: http://arxiv.org/abs/2510.21551v1
• Date: Fri, 24 Oct 2025 15:09:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 06:57:23.438577
• Title: Interpretable Multimodal Zero-Shot ECG Diagnosis via Structured Clinical Knowledge Alignment
• Title（参考訳）: 構造的臨床知識アライメントによる多モードゼロショット心電図診断
• Abstract要約: ZETAは、臨床知識に合わせて心電図の診断を解釈するために設計されたゼロショットマルチモーダルフレームワークである。 今後の研究を促進するため、キュレートされた観測データセットとコードをリリースする。
• 参考スコア（独自算出の注目度）: 10.34278624026891
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrocardiogram (ECG) interpretation is essential for cardiovascular disease diagnosis, but current automated systems often struggle with transparency and generalization to unseen conditions. To address this, we introduce ZETA, a zero-shot multimodal framework designed for interpretable ECG diagnosis aligned with clinical workflows. ZETA uniquely compares ECG signals against structured positive and negative clinical observations, which are curated through an LLM-assisted, expert-validated process, thereby mimicking differential diagnosis. Our approach leverages a pre-trained multimodal model to align ECG and text embeddings without disease-specific fine-tuning. Empirical evaluations demonstrate ZETA's competitive zero-shot classification performance and, importantly, provide qualitative and quantitative evidence of enhanced interpretability, grounding predictions in specific, clinically relevant positive and negative diagnostic features. ZETA underscores the potential of aligning ECG analysis with structured clinical knowledge for building more transparent, generalizable, and trustworthy AI diagnostic systems. We will release the curated observation dataset and code to facilitate future research.
• Abstract（参考訳）: 心電図(ECG)の解釈は心血管疾患の診断に不可欠であるが、現在の自動システムは透明化と不明瞭な状態への一般化に苦慮することが多い。 そこで本研究では,臨床ワークフローに合わせて心電図診断を解釈可能なゼロショット・マルチモーダル・フレームワークであるZETAを紹介する。 ZETAは、構造化された正および負の臨床的観察と心電図信号を一意に比較する。 本手法では, トレーニング済みマルチモーダルモデルを用いて心電図とテキストの埋め込みを, 疾患特異的な微調整なしで調整する。 実証的な評価は、ZETAの競争力のあるゼロショット分類性能を示し、重要なことは、特定の、臨床的に関連のある正および負の診断特徴における、解釈可能性の向上の質的かつ定量的な証拠を提供する。 ZETAは、より透明で、一般化可能で、信頼できるAI診断システムを構築するための構造化された臨床知識とECG分析を整合させる可能性を強調している。 今後の研究を促進するため、キュレートされた観測データセットとコードをリリースする。

関連論文リスト

• ECG-LLM: Foundation Model for ECG-Based Cardiac Reasoning [50.82313761980655]
  ECG-LLMは186,409人を対象にした4つのコホート679,112のECG研究で訓練されたECG条件付き大言語モデルである。 ECG信号、臨床コンテキスト、CMR、ECHOから導かれる、臨床的に構造化された質問応答対をトレーニングする。 心拍数などの従来の心電図測定を成功させ、複雑なCMR由来の表現型を強く予測する。
  論文  参考訳（メタデータ） (2026-07-15T11:06:35Z)
• Cross-Modal Contrastive Learning of ECG and Angiography Representations for Severe Stenosis Classification [79.18126160626093]
  冠動脈狭窄は一般的な心血管疾患であり、重症で未治療の症例は心臓発作の重大なリスクを訴える。 プレトレーニングフレームワークであるStenCEを導入し,心電図から直接抽出した特徴に基づいて患者の階層化を可能にする。 得られたモデルは心電図における狭窄診断のための信号の検出に成功し,重症狭窄分類において初めて高い性能を達成した。
  論文  参考訳（メタデータ） (2026-05-23T14:50:22Z)
• Reasoning Before Diagnosis: Physician-Inspired Structured Thinking for ECG Classification [42.25934029112465]
  既存のアプローチのほとんどは、明確な臨床推論なしでECG信号から直接ラベルを予測する。 CardioThinkは、医師にインスパイアされたマルチモーダル言語モデル(MLLM)フレームワークであり、診断推論プロセスを明示的にモデル化する。 本稿では,この構造的推論形式と可変サイズ診断セットの精度を協調的に最適化するために,構造的集合ポリシー最適化(SSPO)を導入する。
  論文  参考訳（メタデータ） (2026-05-17T07:55:46Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• ECG-Reasoning-Benchmark: A Benchmark for Evaluating Clinical Reasoning Capabilities in ECG Interpretation [14.296134981531337]
  我々は,17コア心電図診断におけるステップバイステップ推論を評価するために,6,400以上のサンプルからなる新しいマルチターン評価フレームワークを提案する。 最先端モデルに対する包括的評価では,多段階論理推論の実行に重大な障害があることが判明した。 これらの結果は、現在のMLLMが実際の視覚的解釈を回避し、既存の訓練パラダイムに重大な欠陥を露呈し、堅牢で推論中心の医療AIの必要性を強調していることを示している。
  論文  参考訳（メタデータ） (2026-03-15T11:09:38Z)
• Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
  冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。 患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
  論文  参考訳（メタデータ） (2026-02-02T13:07:52Z)
• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• ClinDEF: A Dynamic Evaluation Framework for Large Language Models in Clinical Reasoning [58.01333341218153]
  ClinDEF(ClinDEF)は, LLMにおける臨床推論をシミュレートされた診断対話を用いて評価する動的フレームワークである。 本手法は, 患者を発症し, LLMをベースとした医師と自動患者エージェントとのマルチターンインタラクションを容易にする。 実験により、ClinDEFは最先端のLSMにおいて重要な臨床推論ギャップを効果的に露呈することが示された。
  論文  参考訳（メタデータ） (2025-12-29T12:58:58Z)
• Investigating ECG Diagnosis with Ambiguous Labels using Partial Label Learning [35.52153521040861]
  ラベル曖昧性は心電図(ECG)の診断に固有の問題である。 現在のECGモデルは、クリーンで曖昧でないアノテーションの前提で訓練されている。 本研究は心電図診断法に関する最初の体系的研究である。
  論文  参考訳（メタデータ） (2025-12-11T20:11:23Z)
• Transferring Clinical Knowledge into ECGs Representation [0.19498378931702776]
  本稿では,マルチモーダル臨床データから強力なECGエンコーダへ知識を伝達する新しい3段階トレーニングパラダイムを提案する。 我々は、文脈的臨床情報に富んだ心電図表現を作成するために、自己監督型、共同埋め込み型プレトレーニングステージを用いている。 モデルの出力を説明する間接的な方法として、ECG埋め込みから直接、関連する実験室の異常を予測できるように訓練する。
  論文  参考訳（メタデータ） (2025-12-07T22:19:24Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• CardioRAG: A Retrieval-Augmented Generation Framework for Multimodal Chagas Disease Detection [3.2889108396912974]
  チャガス病は世界中で約600万人に影響を及ぼし、チャガス心筋症は最も重篤な合併症である。 血清検査能力が限られている地域では、AI強化心電図(ECG)スクリーニングが重要な診断代替手段となる。 本稿では,大きな言語モデルと解釈可能なECGに基づく臨床特徴を統合した検索拡張生成フレームワークCardioRAGを提案する。
  論文  参考訳（メタデータ） (2025-10-02T01:02:04Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
  EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。 EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。 第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
  論文  参考訳（メタデータ） (2025-08-19T11:12:58Z)
• Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
  医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T07:56:41Z)
• ALFRED: Ask a Large-language model For Reliable ECG Diagnosis [14.920215852057236]
  本稿では,ECG解析のためのRAGに基づくゼロショット心電図診断フレームワークを提案する。 このフレームワークには専門家による知識が組み込まれており、診断精度と説明可能性を高める。
  論文  参考訳（メタデータ） (2025-04-30T12:59:06Z)
• ECG-Expert-QA: A Benchmark for Evaluating Medical Large Language Models in Heart Disease Diagnosis [8.059062779882554]
  ECG-Expert-QAは、心電図(ECG)の解釈における診断能力を評価するための包括的なデータセットである。 実際の臨床心電図データと、体系的に生成された合成ケースを組み合わせることで、12の必須の診断タスクをカバーしている。 主要なイノベーションは、対話型医療AIシステムの開発を可能にするマルチターン対話のサポートである。
  論文  参考訳（メタデータ） (2025-02-16T13:28:55Z)

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。