論文の概要: Transferring Clinical Knowledge into ECGs Representation

• arxiv url: http://arxiv.org/abs/2512.07021v1
• Date: Sun, 07 Dec 2025 22:19:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.642781
• Title: Transferring Clinical Knowledge into ECGs Representation
• Title（参考訳）: 心電図表現への臨床知識の移転
• Authors: Jose Geraldo Fernandes, Luiz Facury de Souza, Pedro Robles Dutenhefner, Gisele L. Pappa, Wagner Meira,
• Abstract要約: 本稿では,マルチモーダル臨床データから強力なECGエンコーダへ知識を伝達する新しい3段階トレーニングパラダイムを提案する。 我々は、文脈的臨床情報に富んだ心電図表現を作成するために、自己監督型、共同埋め込み型プレトレーニングステージを用いている。 モデルの出力を説明する間接的な方法として、ECG埋め込みから直接、関連する実験室の異常を予測できるように訓練する。
• 参考スコア（独自算出の注目度）: 0.19498378931702776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models have shown high accuracy in classifying electrocardiograms (ECGs), but their black box nature hinders clinical adoption due to a lack of trust and interpretability. To address this, we propose a novel three-stage training paradigm that transfers knowledge from multimodal clinical data (laboratory exams, vitals, biometrics) into a powerful, yet unimodal, ECG encoder. We employ a self-supervised, joint-embedding pre-training stage to create an ECG representation that is enriched with contextual clinical information, while only requiring the ECG signal at inference time. Furthermore, as an indirect way to explain the model's output we train it to also predict associated laboratory abnormalities directly from the ECG embedding. Evaluated on the MIMIC-IV-ECG dataset, our model outperforms a standard signal-only baseline in multi-label diagnosis classification and successfully bridges a substantial portion of the performance gap to a fully multimodal model that requires all data at inference. Our work demonstrates a practical and effective method for creating more accurate and trustworthy ECG classification models. By converting abstract predictions into physiologically grounded \emph{explanations}, our approach offers a promising path toward the safer integration of AI into clinical workflows.
• Abstract（参考訳）: 深層学習モデルは心電図(ECG)の分類において高い精度を示してきたが、ブラックボックスの性質は信頼性の欠如と解釈可能性の欠如により臨床導入を妨げる。 そこで本研究では,多段階臨床データ(共同試験,バイタル,バイオメトリックス)から,強力なECGエンコーダへ知識を伝達する,新しい3段階トレーニングパラダイムを提案する。 我々は,心電図信号のみを推論時に必要としながら,文脈的臨床情報に富んだ心電図表現を作成するために,自己監督型共同埋め込みプレトレーニングステージを用いている。 さらに、モデルの出力を説明する間接的な方法として、ECG埋め込みから直接関連する実験室の異常を予測するよう訓練する。 MIMIC-IV-ECGデータセットを用いて評価し、本モデルはマルチラベル診断分類において標準信号のみのベースラインよりも優れ、性能ギャップのかなりの部分を推論時にすべてのデータを必要とする完全マルチモーダルモデルにブリッジすることに成功した。 本研究は、より正確で信頼性の高いECG分類モデルを作成するための実用的で効果的な方法を示す。 抽象的な予測を生理学的に基礎づけた『emph{explanations}』に変換することで、我々のアプローチはAIのより安全な臨床ワークフローへの統合に向けて有望な道筋を提供する。

関連論文リスト

• EfficientECG: Cross-Attention with Feature Fusion for Efficient Electrocardiogram Classification [7.5367987995144565]
  本稿では,ECGデータを効果的に管理・分析するための新しいディープラーニング技術について検討する。 私たちのディープラーニングアプローチは、エンドツーエンドのトレーニングを通じて、ECGデータの特徴を自動的に抽出することができます。 ECGデータセットの評価は、高精度、多機能融合、軽量化の観点から、最先端の作業に対して我々のモデルを検証している。
  論文  参考訳（メタデータ） (2025-12-03T13:54:33Z)
• EnECG: Efficient Ensemble Learning for Electrocardiogram Multi-task Foundation Model [46.84040404474695]
  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。
  論文  参考訳（メタデータ） (2025-11-28T07:22:33Z)
• 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)
• EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
  EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。 EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。 第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
  論文  参考訳（メタデータ） (2025-08-19T11:12:58Z)
• DiffuSETS: 12-lead ECG Generation Conditioned on Clinical Text Reports and Patient-Specific Information [13.680337221159506]
  心臓病は人間の健康にとって重大な脅威である。 プライバシー上の懸念と限られた医療資源によって駆動される高品質なECGデータの空洞化は、効果的なECG信号生成の押し付けの必要性を生み出します。 セマンティックアライメントと忠実度の高いECG信号を生成可能な新しいフレームワークであるDiffuSETSを提案する。
  論文  参考訳（メタデータ） (2025-01-10T12:55:34Z)
• Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
  機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。 本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
  論文  参考訳（メタデータ） (2024-12-07T08:29:44Z)
• 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)
• 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。