論文の概要: AnyECG-Lab: An Exploration Study of Fine-tuning an ECG Foundation Model to Estimate Laboratory Values from Single-Lead ECG Signals

• arxiv url: http://arxiv.org/abs/2510.22301v1
• Date: Sat, 25 Oct 2025 14:04:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.093415
• Title: AnyECG-Lab: An Exploration Study of Fine-tuning an ECG Foundation Model to Estimate Laboratory Values from Single-Lead ECG Signals
• Title（参考訳）: AnyECG-Lab:シングルリードECG信号による実験値推定のためのECG基礎モデルの微調整に関する探索的研究
• Authors: Yujie Xiao, Gongzhen Tang, Wenhui Liu, Jun Li, Guangkun Nie, Zhuoran Kan, Deyun Zhang, Qinghao Zhao, Shenda Hong,
• Abstract要約: 検査値へのタイムリーなアクセスは臨床的な意思決定に不可欠である。 近年の深層学習の進歩により,心電図からの潜伏血液学的シグネチャの抽出が可能となった。 我々は、大規模な事前学習ECG基盤モデルである微細チューンECGFounderへのトランスファーラーニングを活用した探索的研究を行う。
• 参考スコア（独自算出の注目度）: 14.89557749011152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Timely access to laboratory values is critical for clinical decision-making, yet current approaches rely on invasive venous sampling and are intrinsically delayed. Electrocardiography (ECG), as a non-invasive and widely available signal, offers a promising modality for rapid laboratory estimation. Recent progress in deep learning has enabled the extraction of latent hematological signatures from ECGs. However, existing models are constrained by low signal-to-noise ratios, substantial inter-individual variability, limited data diversity, and suboptimal generalization, especially when adapted to low-lead wearable devices. In this work, we conduct an exploratory study leveraging transfer learning to fine-tune ECGFounder, a large-scale pre-trained ECG foundation model, on the Multimodal Clinical Monitoring in the Emergency Department (MC-MED) dataset from Stanford. We generated a corpus of more than 20 million standardized ten-second ECG segments to enhance sensitivity to subtle biochemical correlates. On internal validation, the model demonstrated strong predictive performance (area under the curve above 0.65) for thirty-three laboratory indicators, moderate performance (between 0.55 and 0.65) for fifty-nine indicators, and limited performance (below 0.55) for sixteen indicators. This study provides an efficient artificial-intelligence driven solution and establishes the feasibility scope for real-time, non-invasive estimation of laboratory values.
• Abstract（参考訳）: 検査値へのタイムリーなアクセスは臨床的な意思決定にとって重要であるが、現在のアプローチは侵襲的な静脈サンプリングに依存しており、本質的に遅れている。 心電図(ECG)は、非侵襲的で広く利用可能な信号であり、迅速な実験室推定に有望なモダリティを提供する。 近年の深層学習の進歩により,心電図からの潜伏血液学的シグネチャの抽出が可能となった。 しかし、既存のモデルは、低信号対雑音比、実質的な個人間変動、限られたデータ多様性、そして特に低リードのウェアラブルデバイスに適応する際の準最適一般化によって制約されている。 本研究は, スタンフォードのMultimodal Clinical Monitoring in the Emergency Department (MC-MED) データセットを用いて, 大規模心電図基礎モデルであるファインチューンECGFounderへの伝達学習を利用した探索的研究を行った。 微妙な生化学的相関に対する感受性を高めるため,2000万以上の標準化された10秒ECGセグメントのコーパスを作成した。 内的検証では, 実験結果の3指標に対して強い予測性能(0.65以上), 50指標では中等度性能(0.55～0.65), 16指標では限定性能(0.55以下)を示した。 本研究は,効率的な人工知能駆動ソリューションを提供し,実時間,非侵襲的実験値推定の実現可能性を確立する。

関連論文リスト

• 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)
• Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
  自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。 本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:18:23Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• 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)
• CardioLab: Laboratory Values Estimation and Monitoring from Electrocardiogram Signals -- A Multimodal Deep Learning Approach [1.068128849363198]
  我々はMIMIC-IVデータセットを用いてマルチモーダル深層学習モデルを構築し、推定(リアルタイム)と監視(将来の間隔での予測)実験値異常の可能性を示す。 AUROCスコアが0.70を超え、23の実験室値と26の観測室値に対して統計的に有意な精度で予測性能を示す。
  論文  参考訳（メタデータ） (2024-11-22T12:10:03Z)
• CardioLab: Laboratory Values Estimation from Electrocardiogram Features -- An Exploratory Study [1.068128849363198]
  実験室の価値は医学診断の基盤となっているが、遅いターンアラウンド時間と高いコストに悩まされている。 変革の可能性にもかかわらず、この領域は医療コミュニティ内では比較的過小評価されている。 木質モデルを用いて,心電図の特徴と患者の人口動態から実験室値の推測が可能かを検討した。
  論文  参考訳（メタデータ） (2024-07-26T09:40:30Z)
• 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)
• 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)

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。