論文の概要: CLEF: Clinically-Guided Contrastive Learning for Electrocardiogram Foundation Models

• arxiv url: http://arxiv.org/abs/2512.02180v1
• Date: Mon, 01 Dec 2025 20:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.593917
• Title: CLEF: Clinically-Guided Contrastive Learning for Electrocardiogram Foundation Models
• Title（参考訳）: CLEF:心電図基礎モデルのための臨床応用コントラスト学習
• Authors: Yuxuan Shu, Peter H. Charlton, Fahim Kawsar, Jussi Hernesniemi, Mohammad Malekzadeh,
• Abstract要約: シングルリードのECG記録は、臨床レベルのウェアラブルと消費者向けのウェアラブルの両方に統合されている。 未ラベルのECG上でのファンデーションモデルの自己教師付き事前トレーニングは診断性能を向上させるが、既存のアプローチでは臨床メタデータからドメイン知識を取り入れていない。 我々は,確立された臨床リスクスコアを用いて,ネガティブなペアを適応的に重み付けする,新しいコントラスト学習手法を提案する。
• 参考スコア（独自算出の注目度）: 13.613519337591507
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The electrocardiogram (ECG) is a key diagnostic tool in cardiovascular health. Single-lead ECG recording is integrated into both clinical-grade and consumer wearables. While self-supervised pretraining of foundation models on unlabeled ECGs improves diagnostic performance, existing approaches do not incorporate domain knowledge from clinical metadata. We introduce a novel contrastive learning approach that utilizes an established clinical risk score to adaptively weight negative pairs: clinically-guided contrastive learning. It aligns the similarities of ECG embeddings with clinically meaningful differences between subjects, with an explicit mechanism to handle missing metadata. On 12-lead ECGs from 161K patients in the MIMIC-IV dataset, we pretrain single-lead ECG foundation models at three scales, collectively called CLEF, using only routinely collected metadata without requiring per-sample ECG annotations. We evaluate CLEF on 18 clinical classification and regression tasks across 7 held-out datasets, and benchmark against 5 foundation model baselines and 3 self-supervised algorithms. When pretrained on 12-lead ECG data and tested on lead-I data, CLEF outperforms self-supervised foundation model baselines: the medium-sized CLEF achieves average AUROC improvements of at least 2.6% in classification and average reductions in MAEs of at least 3.2% in regression. Comparing with existing self-supervised learning algorithms, CLEF improves the average AUROC by at least 1.8%. Moreover, when pretrained only on lead-I data for classification tasks, CLEF performs comparably to the state-of-the-art ECGFounder, which was trained in a supervised manner. Overall, CLEF enables more accurate and scalable single-lead ECG analysis, advancing remote health monitoring. Code and pretrained CLEF models are available at: github.com/Nokia-Bell-Labs/ecg-foundation-model.
• Abstract（参考訳）: 心電図(ECG)は心血管疾患の診断ツールである。 シングルリードのECG記録は、臨床レベルのウェアラブルと消費者向けのウェアラブルの両方に統合されている。 未ラベルのECG上でのファンデーションモデルの自己教師付き事前トレーニングは診断性能を向上させるが、既存のアプローチでは臨床メタデータからドメイン知識を取り入れていない。 本稿では,確立された臨床リスクスコアを用いて,ネガティブなペアを適応的に重み付けする,新たなコントラスト学習手法を提案する。 ECG埋め込みの類似性は、被験者間で臨床的に意味のある相違と一致し、欠落したメタデータを扱うための明確なメカニズムである。 MIMIC-IVデータセット中の161K例の心電図について,1回の心電図アノテーションを必要とせず,日常的に収集されるメタデータのみを用いて,1回の心電図基礎モデルを3つの尺度で事前学習した。 CLEFを7つのデータセットで評価し,基礎モデルベースラインと3つの自己監督アルゴリズムを比較した。 CLEFは、12リードのECGデータで事前訓練され、リードIデータでテストされた場合、自己監督された基礎モデルベースラインよりも優れており、中規模のCLEFは、少なくとも2.6%のAUROCの改善と、少なくとも3.2%の回帰率のMAEの平均的な削減を達成している。 既存の自己教師付き学習アルゴリズムと比較して、CLEFは平均的なAUROCを少なくとも1.8%改善している。 さらに、分類タスクのためのリード-Iデータのみに基づいて事前訓練された場合、CLEFは、監督的な方法でトレーニングされた最先端のECGFounderと互換性がある。 全体的なCLEFは、より正確でスケーラブルなシングルリードECG分析を可能にし、リモートヘルス監視を前進させる。 コードおよび事前訓練されたCLEFモデルは、github.com/Nokia-Bell-Labs/ecg-foundation-modelで利用可能である。

関連論文リスト

• Multimodal Latent Fusion of ECG Leads for Early Assessment of Pulmonary Hypertension [30.124231086488976]
  リード特異的心電図マルチモーダル変分オートエンコーダ(textscLS-EMVAE)を提案する。 textscLS-EMVAEには階層的モダリティエキスパート(HiME)融合機構と遅延表現アライメント損失が組み込まれている。 6L-ECG設定で2つの振り返りコホートでtextscLS-EMVAEを検証する。
  論文  参考訳（メタデータ） (2025-03-03T16:16:38Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• Zero-Shot ECG Classification with Multimodal Learning and Test-time Clinical Knowledge Enhancement [10.611952462532908]
  マルチモーダルECG表現学習(MERL)は、テキストプロンプトでゼロショットECG分類を行うことができる。 本稿では,外部の専門知識データベースを利用した臨床知識向上技術(CKEPE)アプローチを提案する。 MERLは、ゼロショット分類における平均75.2%のAUCスコアを(トレーニングデータなしで)達成し、10%の注釈付きトレーニングデータを持つ線形プローブeSSLメソッドよりも3.2%高い。
  論文  参考訳（メタデータ） (2024-03-11T12:28:55Z)
• MEIT: Multimodal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [28.35107188450758]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• Frozen Language Model Helps ECG Zero-Shot Learning [12.974685769614062]
  マルチモーダルECG-Text Self-supervised pre-training (METS)を提案する。 トレーニング可能なECGエンコーダと凍結言語モデルを用いて,ペアのECGを組込み,個別に自動で臨床報告を行う。 下流の分類タスクでは、METSは注釈付きデータを使わずに、約10%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-03-22T05:01:14Z)
• 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)
• 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。