論文の概要: EnECG: Efficient Ensemble Learning for Electrocardiogram Multi-task Foundation Model

• arxiv url: http://arxiv.org/abs/2511.22935v1
• Date: Fri, 28 Nov 2025 07:22:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.799088
• Title: EnECG: Efficient Ensemble Learning for Electrocardiogram Multi-task Foundation Model
• Title（参考訳）: EnECG: 心電図マルチタスク基礎モデルのための効率的なアンサンブル学習
• Authors: Yuhao Xu, Xiaoda Wang, Jiaying Lu, Sirui Ding, Defu Cao, Huaxiu Yao, Yan Liu, Xiao Hu, Carl Yang,
• Abstract要約: EnECGは、複数の特別な基礎モデルを統合するアンサンブルベースのフレームワークであり、それぞれECG解釈の異なる側面で優れている。 本稿では,基礎モデルの強力な表現力を維持しつつ,計算・メモリコストの削減に寄与することを示す。 このフレームワークは特徴抽出と予測性能を向上するだけでなく、実際の臨床応用に実用的な効率性も確保する。
• 参考スコア（独自算出の注目度）: 46.84040404474695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrocardiogram (ECG) analysis plays a vital role in the early detection, monitoring, and management of various cardiovascular conditions. While existing models have achieved notable success in ECG interpretation, they fail to leverage the interrelated nature of various cardiac abnormalities. Conversely, developing a specific model capable of extracting all relevant features for multiple ECG tasks remains a significant challenge. Large-scale foundation models, though powerful, are not typically pretrained on ECG data, making full re-training or fine-tuning computationally expensive. To address these challenges, we propose EnECG(Mixture of Experts-based Ensemble Learning for ECG Multi-tasks), an ensemble-based framework that integrates multiple specialized foundation models, each excelling in different aspects of ECG interpretation. Instead of relying on a single model or single task, EnECG leverages the strengths of multiple specialized models to tackle a variety of ECG-based tasks. To mitigate the high computational cost of full re-training or fine-tuning, we introduce a lightweight adaptation strategy: attaching dedicated output layers to each foundation model and applying Low-Rank Adaptation (LoRA) only to these newly added parameters. We then adopt a Mixture of Experts (MoE) mechanism to learn ensemble weights, effectively combining the complementary expertise of individual models. Our experimental results demonstrate that by minimizing the scope of fine-tuning, EnECG can help reduce computational and memory costs while maintaining the strong representational power of foundation models. This framework not only enhances feature extraction and predictive performance but also ensures practical efficiency for real-world clinical applications. The code is available at https://github.com/yuhaoxu99/EnECG.git.
• Abstract（参考訳）: 心電図 (ECG) 解析は, 心血管疾患の早期発見, モニタリング, 管理において重要な役割を担っている。 既存のモデルは心電図の解釈において顕著な成功を収めてきたが、様々な心臓異常の相互関係の性質を生かしてはいない。 逆に、複数のECGタスクに関連するすべての特徴を抽出できる特定のモデルを開発することは、大きな課題である。 大規模ファンデーションモデルは、強力ではあるが、通常ECGデータに事前訓練されていないため、完全な再トレーニングや微調整の計算コストがかかる。 これらの課題に対処するため,我々は,ECG解釈の異なる側面において,複数の専門的な基礎モデルを統合するアンサンブルベースのフレームワークであるEnECG(Mixture of Experts-based Ensemble Learning for ECG Multi-tasks)を提案する。 EnECGは単一のモデルや単一タスクに頼るのではなく、複数の特殊モデルの強みを活用して、様々なECGベースのタスクに取り組む。 そこで本研究では,各基礎モデルに専用出力層を付加し,新たに追加されたパラメータのみにローランド適応(LoRA)を適用する,軽量な適応戦略を提案する。 次に、アンサンブルウェイトを学ぶためにMixture of Experts(MoE)メカニズムを採用し、個々のモデルの補完的な専門知識を効果的に組み合わせます。 実験の結果,微調整の範囲を最小化することで,基礎モデルの強力な表現力を維持しつつ,計算コストとメモリコストを削減できることが示されている。 このフレームワークは特徴抽出と予測性能を向上するだけでなく、実際の臨床応用に実用的な効率性も確保する。 コードはhttps://github.com/yuhaoxu99/EnECG.gitで入手できる。

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)
• ECGXtract: Deep Learning-based ECG Feature Extraction for Automated CVD Diagnosis [0.0]
  本稿では,深層学習に基づくECG特徴抽出手法ECGXtractを提案する。 我々は, 時間的特徴と形態的特徴の両方を, 臨床的に検証された真実と強く相関して抽出できる畳み込みニューラルネットワークモデルを開発した。 以上の結果から,ECGXtractは平均相関スコアが0.80であり,世界的特徴の根本的真理であり,リードIIが常に最高の結果をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2025-10-27T12:53:08Z)
• Benchmarking ECG Foundational Models: A Reality Check Across Clinical Tasks [1.6873748786804317]
  基礎モデルはより広範な適応性を約束するが、多種多様なECGタスクへの一般化は十分に理解されていない。 12の公開データセットを用いて,臨床関連タスク26のECG基盤モデルをベンチマークした。 基礎モデルは成人心電図解析の可能性を示唆するが, 心臓構造, 予後予測, 患者のキャラクタリゼーションには大きなギャップが残っている。
  論文  参考訳（メタデータ） (2025-09-29T17:29:48Z)
• From Token to Rhythm: A Multi-Scale Approach for ECG-Language Pretraining [22.214252217020174]
  本稿では,マルチスケールECG-Language Pretraining(MELP)モデルを紹介する。 我々は、ゼロショットECG分類、線形探索、転送学習を含む、複数のタスクにわたる3つのパブリックECGデータセット上でMELPを評価する。
  論文  参考訳（メタデータ） (2025-06-11T07:22:17Z)
• Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
  医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T07:56:41Z)
• Active Data Curation Effectively Distills Large-Scale Multimodal Models [66.23057263509027]
  知識蒸留(KD)は、大規模モデルをより小さなものに圧縮するデファクトスタンダードである。 本研究では, 対照的なマルチモーダル事前学習のための効果的な蒸留法として, 能動的データキュレーションの代替として, 簡単なアプローチを探求する。 我々の単純なオンラインバッチ選択方法であるACIDは、さまざまなモデル、データ、計算構成において、強力なKDベースラインよりも優れています。
  論文  参考訳（メタデータ） (2024-11-27T18:50:15Z)
• An Electrocardiogram Foundation Model Built on over 10 Million Recordings with External Evaluation across Multiple Domains [17.809094003643523]
  ECG Foundation Model (ECGFounder)は、Harvard-Emory ECG Databaseから150のラベルカテゴリを持つ1000万以上のECGをトレーニングしている。 ECGFounderは内部検証セットのエキスパートレベルのパフォーマンスを達成し、AUROCは80の診断で0.95を超えている。 微調整されたECGFounderは、人口統計分析、臨床イベント検出、心拍数横断診断においてベースラインモデルを上回っている。
  論文  参考訳（メタデータ） (2024-10-05T12:12:02Z)
• Unsupervised Pre-Training Using Masked Autoencoders for ECG Analysis [4.3312979375047025]
  本稿では、心電図(ECG)信号のためのマスク付きオートエンコーダ(MAE)に基づく教師なし事前トレーニング手法を提案する。 さらに、ECG分析のための完全なフレームワークを形成するためのタスク固有の微調整を提案する。 フレームワークは高レベルで普遍的で、特定のモデルアーキテクチャやタスクに個別に適応していない。
  論文  参考訳（メタデータ） (2023-10-17T11:19:51Z)
• 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。