論文の概要: Artificial Intelligence-Enabled Spirometry for Early Detection of Right Heart Failure

• arxiv url: http://arxiv.org/abs/2511.13457v1
• Date: Mon, 17 Nov 2025 15:03:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.314998
• Title: Artificial Intelligence-Enabled Spirometry for Early Detection of Right Heart Failure
• Title（参考訳）: 右心不全早期検出のためのAI-Enabled Spirometry
• Authors: Bin Liu, Qinghao Zhao, Yuxi Zhou, Zhejun Sun, Kaijie Lei, Deyun Zhang, Shijia Geng, Shenda Hong,
• Abstract要約: 右心不全 (RHF) は右心室の構造や機能に異常を特徴とする疾患である。 肺疾患はしばしば右室負荷を増大させ、RHFを引き起こす。 コープルモネール患者からRHFを早期に検出するための自己教師付き表現学習法を提案する。
• 参考スコア（独自算出の注目度）: 14.45988844325437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Right heart failure (RHF) is a disease characterized by abnormalities in the structure or function of the right ventricle (RV), which is associated with high morbidity and mortality. Lung disease often causes increased right ventricular load, leading to RHF. Therefore, it is very important to screen out patients with cor pulmonale who develop RHF from people with underlying lung diseases. In this work, we propose a self-supervised representation learning method to early detecting RHF from patients with cor pulmonale, which uses spirogram time series to predict patients with RHF at an early stage. The proposed model is divided into two stages. The first stage is the self-supervised representation learning-based spirogram embedding (SLSE) network training process, where the encoder of the Variational autoencoder (VAE-encoder) learns a robust low-dimensional representation of the spirogram time series from the data-augmented unlabeled data. Second, this low-dimensional representation is fused with demographic information and fed into a CatBoost classifier for the downstream RHF prediction task. Trained and tested on a carefully selected subset of 26,617 individuals from the UK Biobank, our model achieved an AUROC of 0.7501 in detecting RHF, demonstrating strong population-level distinction ability. We further evaluated the model on high-risk clinical subgroups, achieving AUROC values of 0.8194 on a test set of 74 patients with chronic kidney disease (CKD) and 0.8413 on a set of 64 patients with valvular heart disease (VHD). These results highlight the model's potential utility in predicting RHF among clinically elevated-risk populations. In conclusion, this study presents a self-supervised representation learning approach combining spirogram time series and demographic data, demonstrating promising potential for early RHF detection in clinical practice.
• Abstract（参考訳）: 右心不全 (RHF) は、右心室(RV)の構造や機能に異常を特徴とする疾患である。 肺疾患はしばしば右室負荷を増大させ、RHFを引き起こす。 そのため,肺疾患患者からRHFを発症するコルプルモネール患者をスクリーニングすることが重要である。 本研究では, 胸腔鏡でRHFを早期に予測し, RHFを早期に検出する自己教師型表現学習法を提案する。 提案モデルは2つの段階に分けられる。 最初の段階はSLSEネットワークトレーニングプロセスであり、変分オートエンコーダ(VAE-エンコーダ)のエンコーダは、データ拡張された未ラベルデータから、スピログラム時系列のロバストな低次元表現を学習する。 第2に、この低次元表現は、人口統計情報と融合し、下流RHF予測タスクのためのCatBoost分類器に入力される。 英国バイオバンクの26,617人を対象に,RHFの検出においてAUROC0.7501を達成し,高い集団レベルでの識別能力を示した。 慢性腎臓病(CKD)74例のAUROC値が0.8194,VHD(Valvular heart disease)64例の0.8413であった。 これらの結果は,臨床高リスク集団のRHF予測におけるモデルの有用性を浮き彫りにした。 そこで本研究では,スピログラム時系列と人口統計データを組み合わせた自己教師型表現学習手法を提案し,臨床実践における早期RHF検出の可能性を示す。

関連論文リスト

• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• SpiroLLM: Finetuning Pretrained LLMs to Understand Spirogram Time Series with Clinical Validation in COPD Reporting [11.789239660318337]
  COPDは気流制限が持続する主要な慢性呼吸器疾患である。 COPD診断のための現在のAIモデルは、分類結果の出力に限られている。 スピロLLMは,スピログラムを理解可能な最初のマルチモーダル大言語モデルである。
  論文  参考訳（メタデータ） (2025-07-22T01:44:12Z)
• Fast-staged CNN Model for Accurate pulmonary diseases and Lung cancer detection [0.0]
  本研究は, 肺がん, 特に肺結節の検出を目的とした深層学習モデルと, 胸部X線写真を用いた8つの肺病理組織について検討した。 アンサンブル法とトランスファーラーニングを利用した2段階分類システムを用いて,最初のトリアージ画像を正規あるいは異常に分類する。 このモデルでは、最高の性能の精度は77%、感度は0.713、特異度は0.776、AUCスコアは0.888である。
  論文  参考訳（メタデータ） (2024-12-16T11:47:07Z)
• 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)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Predicting High-Flow Nasal Cannula Failure in an ICU Using a Recurrent Neural Network with Transfer Learning and Input Data Perseveration: A Retrospective Analysis [0.8399688944263842]
  High Flow Nasal Cannula (HFNC) は重篤な小児に非侵襲的呼吸補助を提供する。 HFNCの故障のタイムリーな予測は、呼吸支持の増大の兆候を与える。 この研究は、HFNCの故障を予測するために機械学習モデルを開発し、比較した。
  論文  参考訳（メタデータ） (2021-11-20T01:23:18Z)
• Identifying Ventricular Arrhythmias and Their Predictors by Applying Machine Learning Methods to Electronic Health Records in Patients With Hypertrophic Cardiomyopathy(HCM-VAr-Risk Model) [0.3811495093928132]
  心室性不整脈(VAr)を有する肥大型心筋症患者を臨床的属性を用いて同定するための機械学習の最初の応用である。 臨床的変数は93例, VArは22例であった。 提案手法では,確立した10個のSCD予測器に加えて,12個の新しいVAr予測器を同定した。
  論文  参考訳（メタデータ） (2021-09-19T20:11:07Z)
• Understanding Heart-Failure Patients EHR Clinical Features via SHAP Interpretation of Tree-Based Machine Learning Model Predictions [8.444557621643568]
  心不全(Heart failure, HF)は、死因の一つ。 機械学習モデル、具体的にはXGBoostモデルがEHRに基づいて患者ステージを正確に予測できるかどうかを検討した。 以上の結果から,EHRの構造化データに基づいて,患者の退院率(EF)を適度な精度で予測できることが示唆された。
  論文  参考訳（メタデータ） (2021-03-20T22:17:05Z)
• 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)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。