論文の概要: Versatile and Risk-Sensitive Cardiac Diagnosis via Graph-Based ECG Signal Representation

• arxiv url: http://arxiv.org/abs/2511.07973v1
• Date: Wed, 12 Nov 2025 01:31:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.572933
• Title: Versatile and Risk-Sensitive Cardiac Diagnosis via Graph-Based ECG Signal Representation
• Title（参考訳）: グラフを用いた心電図信号表現によるバーサタイル・リスク感度心電図診断
• Authors: Yue Wang, Yuyang Xu, Renjun Hu, Fanqi Shen, Hanyun Jiang, Jun Wang, Jintai Chen, Danny Z. Chen, Jian Wu, Haochao Ying,
• Abstract要約: VersAtile と Risk-Sensitive の心臓診断では、不均一な心電図信号を均一にモデル化するためにグラフベースの表現を用いる。 VarSは、心電図信号を、重要な診断特徴を捉えた汎用的なグラフ構造に変換することで際立っている。 VarSは、特定のモデル出力につながる正確な波形をピンポイントすることで、解釈可能性を提供する。
• 参考スコア（独自算出の注目度）: 29.353421682331327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the rapid advancements of electrocardiogram (ECG) signal diagnosis and analysis methods through deep learning, two major hurdles still limit their clinical adoption: the lack of versatility in processing ECG signals with diverse configurations, and the inadequate detection of risk signals due to sample imbalances. Addressing these challenges, we introduce VersAtile and Risk-Sensitive cardiac diagnosis (VARS), an innovative approach that employs a graph-based representation to uniformly model heterogeneous ECG signals. VARS stands out by transforming ECG signals into versatile graph structures that capture critical diagnostic features, irrespective of signal diversity in the lead count, sampling frequency, and duration. This graph-centric formulation also enhances diagnostic sensitivity, enabling precise localization and identification of abnormal ECG patterns that often elude standard analysis methods. To facilitate representation transformation, our approach integrates denoising reconstruction with contrastive learning to preserve raw ECG information while highlighting pathognomonic patterns. We rigorously evaluate the efficacy of VARS on three distinct ECG datasets, encompassing a range of structural variations. The results demonstrate that VARS not only consistently surpasses existing state-of-the-art models across all these datasets but also exhibits substantial improvement in identifying risk signals. Additionally, VARS offers interpretability by pinpointing the exact waveforms that lead to specific model outputs, thereby assisting clinicians in making informed decisions. These findings suggest that our VARS will likely emerge as an invaluable tool for comprehensive cardiac health assessment.
• Abstract（参考訳）: 深層学習による心電図(ECG)信号の診断と解析手法の急速な進歩にもかかわらず、大きなハードルは、様々な構成で心電図信号を処理するための汎用性の欠如と、サンプルの不均衡によるリスク信号の不十分な検出である。 これらの課題に対処するため,異種心電図信号の均一なモデル化にグラフベース表現を用いた,VersAtile and Risk-Sensitive heartc diagnosis (VARS)を導入した。 VARSは、リードカウントの信号の多様性、サンプリング頻度、時間に関係なく、ECG信号を重要な診断特徴を捉える汎用グラフ構造に変換することで際立っている。 このグラフ中心の定式化により診断感度が向上し、しばしば標準的な分析手法を省略する異常なECGパターンの正確な局在化と同定が可能になる。 表現変換を容易にするため,コントラスト学習と復調を統合して生の心電図情報を保存し,パノグノモニックパターンを強調表示する。 我々は,3つの異なるECGデータセットに対するVARSの有効性を厳格に評価した。 その結果、VARSはこれらのデータセット全体にわたって既存の最先端モデルを一貫して上回るだけでなく、リスク信号の同定にも大幅に改善されていることが示された。 さらにVARSは、特定のモデル出力につながる正確な波形をピンポイントすることで解釈可能性を提供し、それによって臨床医が情報的な決定を下すのを助ける。 以上の結果から,VARSは総合的心健康評価のツールとして有用である可能性が示唆された。

関連論文リスト

• Reconstructing 12-Lead ECG from 3-Lead ECG using Variational Autoencoder to Improve Cardiac Disease Detection of Wearable ECG Devices [22.76333494370181]
  可変オートエンコーダ(VAE)方式であるWearECGを提案する。 我々のモデルには、ECG信号の時間的および空間的依存をよりよく捉えるためのアーキテクチャの改善が含まれている。 大規模プレトレーニングECGモデルであるECGFounderを,40以上の心条件を含む多ラベル分類タスクで微調整する。
  論文  参考訳（メタデータ） (2025-10-13T14:14:37Z)
• 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)
• Versatile Cardiovascular Signal Generation with a Unified Diffusion Transformer [41.095491708125515]
  低品質な信号を再構成し、記録されていない信号を合成するマルチモーダル拡散変換器UniCardioを提案する。 心臓血管信号の相補的な性質を生かして、UniCardioは、近年のタスク固有のベースラインよりも明らかに優れている。 これらのアドバンテージは、UniCardioをAI支援ヘルスケアの前進のための有望な道と位置づけている。
  論文  参考訳（メタデータ） (2025-05-28T12:45:39Z)
• DiffuSETS: 12-lead ECG Generation Conditioned on Clinical Text Reports and Patient-Specific Information [13.680337221159506]
  心臓病は人間の健康にとって重大な脅威である。 プライバシー上の懸念と限られた医療資源によって駆動される高品質なECGデータの空洞化は、効果的なECG信号生成の押し付けの必要性を生み出します。 セマンティックアライメントと忠実度の高いECG信号を生成可能な新しいフレームワークであるDiffuSETSを提案する。
  論文  参考訳（メタデータ） (2025-01-10T12:55:34Z)
• AnyECG: Foundational Models for Multitask Cardiac Analysis in Real-World Settings [34.078819572852446]
  心電図(ECG)は急性心臓発作の検出に非常に敏感である。 本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。
  論文  参考訳（メタデータ） (2024-11-17T17:32:58Z)
• NERULA: A Dual-Pathway Self-Supervised Learning Framework for Electrocardiogram Signal Analysis [5.8961928852930034]
  本稿では,シングルリードECG信号を対象とした自己教師型フレームワークNERULAを提案する。 NERULAのデュアルパスウェイアーキテクチャは、心電図再構成と非コントラスト学習を組み合わせて、詳細な心臓の特徴を抽出する。 学習スペクトルに生成経路と識別経路を組み合わせることで、様々なタスクにおいて最先端の自己教師付き学習ベンチマークより優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-05-21T14:01:57Z)
• Bayesian ECG reconstruction using denoising diffusion generative models [11.603515105957461]
  健常心電図(ECG)データを用いて訓練したDDGM(denoising diffusion generative model)を提案する。 以上の結果から, この革新的な生成モデルにより, 現実的なECG信号を生成できることが示唆された。
  論文  参考訳（メタデータ） (2023-12-18T15:56:21Z)
• Leveraging Statistical Shape Priors in GAN-based ECG Synthesis [3.3482093430607267]
  本稿では,GAN(Generative Adversarial Networks)と統計ECGデータモデリングを用いた新しいECG信号生成手法を提案する。 本手法では,ECG信号の複雑なダイナミックスに対処するため,ECGのダイナミックスに関する事前知識を活用して現実的な信号の合成を行う。 以上の結果から,ECG信号の時間的・振幅的変動を2次元形状としてモデル化した手法は,最先端のGANベースの生成ベースラインと比較して,より現実的な信号を生成することがわかった。
  論文  参考訳（メタデータ） (2022-10-22T18:06:11Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)

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。