論文の概要: Fine-tuning an ECG Foundation Model to Predict Coronary CT Angiography Outcomes
- arxiv url: http://arxiv.org/abs/2512.05136v1
- Date: Sat, 29 Nov 2025 05:21:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-13 22:40:56.748104
- Title: Fine-tuning an ECG Foundation Model to Predict Coronary CT Angiography Outcomes
- Title（参考訳）: 冠動脈造影による冠動脈造影結果の予測のための心電図基礎モデルの構築
- Authors: Yujie Xiao, Gongzhen Tang, Deyun Zhang, Jun Li, Guangkun Nie, Haoyu Wang, Shun Huang, Tong Liu, Qinghao Zhao, Kangyin Chen, Shenda Hong,
- Abstract要約: 4大冠動脈の重症または完全狭窄を予測できるAI-ECGモデルを開発した。
臨床的に正常なECGサブセットでは,ECG異常以上の異常が認められた。
- 参考スコア（独自算出の注目度）: 18.45168797720226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coronary artery disease (CAD) remains a major global health burden. Accurate identification of the culprit vessel and assessment of stenosis severity are essential for guiding individualized therapy. Although coronary CT angiography (CCTA) is the first-line non-invasive modality for CAD diagnosis, its dependence on high-end equipment, radiation exposure, and strict patient cooperation limits large-scale use. With advances in artificial intelligence (AI) and the widespread availability of electrocardiography (ECG), AI-ECG offers a promising alternative for CAD screening. In this study, we developed an interpretable AI-ECG model to predict severe or complete stenosis of the four major coronary arteries on CCTA. On the internal validation set, the model's AUCs for the right coronary artery (RCA), left main coronary artery (LM), left anterior descending artery (LAD), and left circumflex artery (LCX) were 0.794, 0.818, 0.744, and 0.755, respectively; on the external validation set, the AUCs reached 0.749, 0.971, 0.667, and 0.727, respectively. Performance remained stable in a clinically normal-ECG subset, indicating robustness beyond overt ECG abnormalities. Subgroup analyses across demographic and acquisition-time strata further confirmed model stability. Risk stratification based on vessel-specific incidence thresholds showed consistent separation on calibration and cumulative event curves. Interpretability analyses revealed distinct waveform differences between high- and low-risk groups, highlighting key electrophysiological regions contributing to model decisions and offering new insights into the ECG correlates of coronary stenosis.
- Abstract（参考訳）: 冠状動脈疾患 (CAD) は依然として世界的な健康上の重荷である。
個別療法の導出には,原因血管の正確な同定と狭窄重症度の評価が不可欠である。
冠状動脈造影(CCTA)はCAD診断における最初の非侵襲的モダリティであるが, ハイエンド機器への依存, 放射線曝露, 厳密な患者協力は大規模使用を制限している。
人工知能(AI)の進歩と心電図(ECG)の普及により、AI-ECGはCADスクリーニングの有望な代替手段を提供する。
本研究では, CCTA上の4大冠動脈の重症または完全狭窄を予測できるAI-ECGモデルを開発した。
右冠動脈(RCA),左主冠動脈(LM),左下行動脈(LAD),左下行動脈(LCX)はそれぞれ0.794,0.818,0.744,0.755であり,それぞれ0.749,0.971,0.667,0.727であった。
成績は正常なECGサブセットで安定し,ECG異常以上の堅牢性を示した。
人口統計学および買収時層別サブグループ分析により、モデル安定性がさらに確認された。
キャリブレーションと累積事象曲線を連続的に分離した。
高リスク群と低リスク群の波形差を解析した結果,心電図のモデル決定に寄与する重要な電気生理学的領域が明らかとなり,冠動脈狭窄の関連性について新たな知見が得られた。
関連論文リスト
- Combining ECG Foundation Model and XGBoost to Predict In-Hospital Malignant Ventricular Arrhythmias in AMI Patients [14.778478113602675]
急性心筋梗塞(AMI)後の心室不整脈(VT/VF)は院内死亡の主な原因である。
本研究の目的は,大規模な心電図基礎モデル(ECGFounder)と解釈可能なXGBoost分類器を統合するハイブリッド予測フレームワークを開発することである。
AMI患者6,634例の心電図解析を行い,そのうち175例が院内VT/VFであった。
論文 参考訳（メタデータ） (2025-10-20T05:26:55Z) - FoundationalECGNet: A Lightweight Foundational Model for ECG-based Multitask Cardiac Analysis [1.1666234644810893]
FoundationalECGNetは、ECGの自動分類のための基礎的なフレームワークである。
はじめに正常心電図信号と異常心電図信号を区別し、次に異常心電図信号を5つの心臓状態の1つに分類する。
伝導障害および肥大症に対する99%のF1スコアを含む多クラス疾患検出における最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-09-10T19:48:07Z) - LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。
CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文 参考訳（メタデータ） (2025-08-23T07:21:23Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。
英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。
心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
論文 参考訳（メタデータ） (2025-06-24T17:19:39Z) - Electrocardiogram-based diagnosis of liver diseases: an externally validated and explainable machine learning approach [0.9503773054285559]
肝疾患は世界的な健康上の課題となる。
ECGは、心臓血管と肝の相互作用を捉えて肝疾患の検出を可能にする。
肝疾患を検出するため,心電図機能を用いた木ベース機械学習モデルを訓練した。
論文 参考訳（メタデータ） (2024-12-04T21:11:34Z) - Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。
心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。
本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文 参考訳（メタデータ） (2024-10-08T10:03:52Z) - A Deep Learning Model for Coronary Artery Segmentation and Quantitative Stenosis Detection in Angiographic Images [2.6879908098704544]
血管造影画像における冠状動脈の自動分画のための新しい深層学習法を提案する。
このモデルは、MedSAMとVM-UNetアーキテクチャを組み合わせて高性能な結果を得る。
狭窄検出アルゴリズムは真正率(TPR)が0.5867、正の予測値(PPV)が0.5911に達した。
論文 参考訳（メタデータ） (2024-06-01T16:45:33Z) - Predicting risk of cardiovascular disease using retinal OCT imaging [40.71667870702634]
心臓血管疾患(CVD)が世界的に死因となっている。
光コヒーレンストモグラフィー(OCT)は早期のCVDリスク予測の潜在的なツールとして認識されている。
我々は,将来のCVD事象を予測するための追加撮像技術としてのOCTの可能性について検討した。
論文 参考訳（メタデータ） (2024-03-26T14:42:46Z) - Hyper Association Graph Matching with Uncertainty Quantification for
Coronary Artery Semantic Labeling [4.9679652736351905]
ICAを用いた冠状動脈セマンティックラベリングにおける不確実性定量化(HAGMN-UQ)を用いたハイパーアソシエーショングラフマッチングニューラルネットワークの革新的アプローチを提案する。
冠動脈セマンティックラベリングの精度は0.9345,高速推論速度は0。
論文 参考訳（メタデータ） (2023-08-20T16:59:17Z) - 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)
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。