論文の概要: CODE-II: A large-scale dataset for artificial intelligence in ECG analysis

• arxiv url: http://arxiv.org/abs/2511.15632v1
• Date: Wed, 19 Nov 2025 17:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.918689
• Title: CODE-II: A large-scale dataset for artificial intelligence in ECG analysis
• Title（参考訳）: CODE-II:ECG分析における人工知能の大規模データセット
• Authors: Petrus E. O. G. B. Abreu, Gabriela M. M. Paixão, Jiawei Li, Paulo R. Gomes, Peter W. Macfarlane, Ana C. S. Oliveira, Vinicius T. Carvalho, Thomas B. Schön, Antonio Luiz P. Ribeiro, Antônio H. Ribeiro,
• Abstract要約: CODE-IIはブラジルのミナスジェライステレヘルスネットワーク(TNMG)が収集した2,093,807人の成人患者の2,735,269個の心電図からなる大規模な実世界のデータセットである。 各試験は、標準化された診断基準を用いて注釈付けされ、心臓科医によってレビューされた。 CODE-IIで事前トレーニングされたニューラルネットワークは、外部ベンチマーク(PTB-XLとCPSC)と、より大きなデータセットでトレーニングされた代替手段よりも優れた転送性能を達成した。
• 参考スコア（独自算出の注目度）: 13.444185144503031
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven methods for electrocardiogram (ECG) interpretation are rapidly progressing. Large datasets have enabled advances in artificial intelligence (AI) based ECG analysis, yet limitations in annotation quality, size, and scope remain major challenges. Here we present CODE-II, a large-scale real-world dataset of 2,735,269 12-lead ECGs from 2,093,807 adult patients collected by the Telehealth Network of Minas Gerais (TNMG), Brazil. Each exam was annotated using standardized diagnostic criteria and reviewed by cardiologists. A defining feature of CODE-II is a set of 66 clinically meaningful diagnostic classes, developed with cardiologist input and routinely used in telehealth practice. We additionally provide an open available subset: CODE-II-open, a public subset of 15,000 patients, and the CODE-II-test, a non-overlapping set of 8,475 exams reviewed by multiple cardiologists for blinded evaluation. A neural network pre-trained on CODE-II achieved superior transfer performance on external benchmarks (PTB-XL and CPSC 2018) and outperformed alternatives trained on larger datasets.
• Abstract（参考訳）: 心電図(ECG)の解釈のためのデータ駆動法が急速に進歩している。 大規模なデータセットは、人工知能(AI)ベースのECG分析の進歩を可能にしているが、アノテーションの品質、サイズ、スコープの制限は依然として大きな課題である。 ブラジルのミナスジェライステレヘルスネットワーク(TNMG)が収集した2,093,807人の成人患者の2,735,269個の心電図からなる大規模実世界のデータセットCODE-IIを提示する。 各試験は、標準化された診断基準を用いて注釈付けされ、心臓科医によってレビューされた。 CODE-IIの定義的特徴は66の臨床的に有意な診断クラスのセットであり、心臓科医の入力で発達し、遠隔医療で日常的に使用される。 CODE-II-openは15,000人の患者に対する公開サブセットであり、CODE-II-testは、複数の心臓科医がブラインドド評価のためにレビューした8,475の検査の重複しないセットである。 CODE-IIで事前トレーニングされたニューラルネットワークは、外部ベンチマーク(PTB-XLとCPSC 2018)よりも優れた転送性能を実現し、より大きなデータセットでトレーニングされた代替手段よりも優れたパフォーマンスを実現した。

関連論文リスト

• Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
  本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。 実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
  論文  参考訳（メタデータ） (2025-11-13T02:57:10Z)
• Conditional Electrocardiogram Generation Using Hierarchical Variational Autoencoders [0.0]
  我々は、ECG信号生成(cNVAE-ECG)のための条件付きヌーヴォーVAEモデルを提案する。 本稿では,ECG信号生成(cNVAE-ECG)のための公用条件付きVAEモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-03T13:30:36Z)
• Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
  AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。 本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-02-07T21:09:05Z)
• Prospects for AI-Enhanced ECG as a Unified Screening Tool for Cardiac and Non-Cardiac Conditions -- An Explorative Study in Emergency Care [0.9503773054285559]
  本研究は,救急部門で収集した心電図に基づいて,心臓および非心臓の退院診断の多様な範囲を予測できる単一モデルの有用性について検討する。 その結果,AUROCスコア0.8を超えるという意味では,253,81心,172非心,ICD符号を統計的に有意に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-12-18T09:29:42Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• Hierarchical Deep Learning with Generative Adversarial Network for Automatic Cardiac Diagnosis from ECG Signals [2.5008947886814186]
  本稿では,ECG信号の自動診断のためのGAN(Generative Adversarial Network)を用いた2階層型階層型ディープラーニングフレームワークを提案する。 第1レベルのモデルはメモリ拡張DeepオートエンコーダとGANで構成されており、異常信号と通常のECGを区別して異常検出を行う。 第2レベルの学習は、異なる不整脈識別のための堅牢な多クラス分類を目指している。
  論文  参考訳（メタデータ） (2022-10-19T12:29:05Z)
• 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。