論文の概要: Explainable Deep Learning-based Classification of Wolff-Parkinson-White Electrocardiographic Signals

• arxiv url: http://arxiv.org/abs/2511.05973v1
• Date: Sat, 08 Nov 2025 11:39:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.688478
• Title: Explainable Deep Learning-based Classification of Wolff-Parkinson-White Electrocardiographic Signals
• Title（参考訳）: 説明可能な深層学習に基づくWolff-Parkinson-White心電図信号の分類
• Authors: Alice Ragonesi, Stefania Fresca, Karli Gillette, Stefan Kurath-Koller, Gernot Plank, Elena Zappon,
• Abstract要約: 心臓24領域にまたがる単一症状APの局在化のためのDeep Learning (DL) モデルを提案する。 このモデルでは、95%以上、感度94.32%、特異度99.78%の局所化精度を実現している。 この研究は、心臓のデジタル双生児と説明可能なDLを組み合わせることで、正確で透明で非侵襲的なAPローカライゼーションを可能にする可能性を実証している。
• 参考スコア（独自算出の注目度）: 0.5473229173811306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wolff-Parkinson-White (WPW) syndrome is a cardiac electrophysiology (EP) disorder caused by the presence of an accessory pathway (AP) that bypasses the atrioventricular node, faster ventricular activation rate, and provides a substrate for atrio-ventricular reentrant tachycardia (AVRT). Accurate localization of the AP is critical for planning and guiding catheter ablation procedures. While traditional diagnostic tree (DT) methods and more recent machine learning (ML) approaches have been proposed to predict AP location from surface electrocardiogram (ECG), they are often constrained by limited anatomical localization resolution, poor interpretability, and the use of small clinical datasets. In this study, we present a Deep Learning (DL) model for the localization of single manifest APs across 24 cardiac regions, trained on a large, physiologically realistic database of synthetic ECGs generated using a personalized virtual heart model. We also integrate eXplainable Artificial Intelligence (XAI) methods, Guided Backpropagation, Grad-CAM, and Guided Grad-CAM, into the pipeline. This enables interpretation of DL decision-making and addresses one of the main barriers to clinical adoption: lack of transparency in ML predictions. Our model achieves localization accuracy above 95%, with a sensitivity of 94.32% and specificity of 99.78%. XAI outputs are physiologically validated against known depolarization patterns, and a novel index is introduced to identify the most informative ECG leads for AP localization. Results highlight lead V2 as the most critical, followed by aVF, V1, and aVL. This work demonstrates the potential of combining cardiac digital twins with explainable DL to enable accurate, transparent, and non-invasive AP localization.
• Abstract（参考訳）: Wolff-Parkinson-White(WPW)症候群(WPW)は、房室結節をバイパスする副伝導路(AP)の存在によって引き起こされる心電気生理学的(EP)障害である。 APの正確な局在はカテーテルアブレーション手術の計画と指導に重要である。 従来の診断木(DT)法や、より最近の機械学習(ML)法は、表面心電図(ECG)からAP位置を予測するために提案されているが、解剖学的局所分解能の制限、解釈性の低下、小さな臨床データセットの使用によって制約されることが多い。 本研究では, 個別仮想心臓モデルを用いて生成した人工心電図の大規模で生理学的に現実的なデータベースに基づいて, 24個の心臓領域にまたがる単一症状APの局所化のためのDeep Learning(DL)モデルを提案する。 また,eXplainable Artificial Intelligence (XAI)メソッド, Guided Backpropagation, Grad-CAM, Guided Grad-CAMをパイプラインに統合する。 これにより、DL決定の解釈が可能となり、ML予測における透明性の欠如という、臨床導入の主な障壁の1つに対処できる。 本モデルでは,95%以上の局所化精度を94.32%,特異度99.78%で達成する。 XAI出力は、既知の脱分極パターンに対して生理学的に検証され、APローカライゼーションのための最も有用なECGリードを特定するために、新しい指標が導入された。 結果は、V2がもっとも重要であり、aVF、V1、aVLが続く。 この研究は、心臓のデジタル双生児と説明可能なDLを組み合わせることで、正確で透明で非侵襲的なAPローカライゼーションを可能にする可能性を実証している。

関連論文リスト

• Estimation of Segmental Longitudinal Strain in Transesophageal Echocardiography by Deep Learning [4.266983119889826]
  本研究では,経食道心エコー法(TEE)における運動推定のための深層学習(DL)法を用いたSLS推定のための最初の自動パイプラインであるautoStrainを紹介した。 本稿では,高密度フレーム・フレーム間予測のためのRAFT光フローモデルに基づくTeeFlowと,スパース長周期予測のためのCoTracker点軌道モデルに基づくTeeTrackerの2つのDL手法の比較分析を行う。 評価の結果,TeeTrackerの精度はTeeFlowより優れており,SynTEEテストデータセット上での動作推定における平均距離誤差は0.65mmであることがわかった。
  論文  参考訳（メタデータ） (2025-11-04T03:02:27Z)
• Explainable AI (XAI) for Arrhythmia detection from electrocardiograms [0.0]
  深層学習は心電図(ECG)信号から高い精度の不整脈検出を可能にしているが、臨床応用には限界がある。 本研究では,時系列ECG分析に特化して適応した説明可能なAI(XAI)技術の適用について検討する。
  論文  参考訳（メタデータ） (2025-08-24T10:44:24Z)
• Latent Representations of Intracardiac Electrograms for Atrial Fibrillation Driver Detection [37.72464514643607]
  本研究では,非教師付き特徴抽出のための畳み込みオートエンコーダを用いたディープラーニングフレームワークを提案する。 心房電気活動の潜在的表現は、EMG分析の特徴づけと自動化を可能にする。 提案手法は, リアルタイムに動作可能であり, 臨床解剖学的マッピングシステムに統合することにより, アブレーション中の不整脈領域の同定を支援することができる。
  論文  参考訳（メタデータ） (2025-07-24T09:40:24Z)
• Acoustic Index: A Novel AI-Driven Parameter for Cardiac Disease Risk Stratification Using Echocardiography [0.0]
  本稿では,標準的な超音波画像から心機能障害の定量化を目的とした,新しいAI誘発心エコーパラメータであるAudiotic Indexを紹介する。 このモデルは、クープマン作用素理論に基づく拡張動的モード分解(EDMD)と、臨床メタデータを組み込んだハイブリッドニューラルネットワークを組み合わせる。 様々な心疾患と正常なコントロールを含む736人の前向きコホートにおいて、AUCは独立したテストセットで0.89の曲線(AUC)の領域を達成した。 5回にまたがるクロスバリデーションによりモデルの堅牢性が確認され, 感度と特異性は, 独立データで0.8以上であった。
  論文  参考訳（メタデータ） (2025-07-17T21:27:28Z)
• Explainable Parallel CNN-LSTM Model for Differentiating Ventricular Tachycardia from Supraventricular Tachycardia with Aberrancy in 12-Lead ECGs [4.263117296632119]
  本稿では,診断精度を向上させるための計算効率のよいディープラーニングソリューションを提案し,臨床展開のためのモデル解釈性を提供する。 各パイプラインは2つの1D-CNNブロックを使用して各ECGリードを処理し、局所的な特徴を抽出する。 このモデルは、95%$ CI:93.07-98.19%$、感度=95.10%$、特異性=96.06%$、F1-score=95.12%$を達成した。
  論文  参考訳（メタデータ） (2025-07-14T12:12:34Z)
• 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)
• Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
  拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。 本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
  論文  参考訳（メタデータ） (2024-09-11T11:12:26Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• 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)

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。