論文の概要: An Electrocardiogram Multi-task Benchmark with Comprehensive Evaluations and Insightful Findings

• arxiv url: http://arxiv.org/abs/2512.08954v1
• Date: Fri, 28 Nov 2025 06:47:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 04:16:52.568544
• Title: An Electrocardiogram Multi-task Benchmark with Comprehensive Evaluations and Insightful Findings
• Title（参考訳）: 心電図マルチタスクベンチマークによる総合的評価と洞察的発見
• Authors: Yuhao Xu, Jiaying Lu, Sirui Ding, Defu Cao, Xiao Hu, Carl Yang,
• Abstract要約: ECGの分析は通常、医療に人工知能を適用するための障害となる、ドメインの専門知識を必要とする。 時系列深層学習モデルと比較し,言語/一般時系列/ECG基盤モデルの評価を行った。 詳細な分析と洞察と総合的な実験結果が提供される。
• 参考スコア（独自算出の注目度）: 21.836042030973797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the process of patient diagnosis, non-invasive measurements are widely used due to their low risks and quick results. Electrocardiogram (ECG), as a non-invasive method to collect heart activities, is used to diagnose cardiac conditions. Analyzing the ECG typically requires domain expertise, which is a roadblock to applying artificial intelligence (AI) for healthcare. Through advances in self-supervised learning and foundation models, AI systems can now acquire and leverage domain knowledge without relying solely on human expertise. However, there is a lack of comprehensive analyses over the foundation models' performance on ECG. This study aims to answer the research question: "Are Foundation Models Useful for ECG Analysis?" To address it, we evaluate language/general time-series/ECG foundation models in comparison with time-series deep learning models. The experimental results show that general time-series/ECG foundation models achieve a top performance rate of 80%, indicating their effectiveness in ECG analysis. In-depth analyses and insights are provided along with comprehensive experimental results. This study highlights the limitations and potential of foundation models in advancing physiological waveform analysis. The data and code for this benchmark are publicly available at https://github.com/yuhaoxu99/ECGMultitasks-Benchmark.
• Abstract（参考訳）: 患者診断の過程では、リスクの低さと迅速な結果のために、非侵襲的な測定が広く用いられている。 心電図(ECG)は、心臓の状態を診断するために用いられる非侵襲的な心臓活動収集方法である。 ECGの分析は通常、医療に人工知能(AI)を適用するための障害となる、ドメインの専門知識を必要とする。 自己教師型学習と基礎モデルの進歩を通じて、AIシステムは、人間の専門知識にのみ依存することなく、ドメイン知識を取得し、活用することができる。 しかし、ECGにおける基礎モデルの性能に関する包括的な分析は欠如している。 本研究は,「心電図解析に有用な基礎モデルはあるか?」という研究課題に答えることを目的としている。 そこで我々は,時系列深層学習モデルと比較し,言語/一般時系列/ECG基盤モデルの評価を行った。 実験の結果,一般時系列/ECGファンデーションモデルが80%の最高性能を達成し,ECG解析の有効性を示した。 詳細な分析と洞察と総合的な実験結果が提供される。 本研究は, 生理学的波形解析の進展における基礎モデルの限界と可能性を明らかにする。 このベンチマークのデータとコードはhttps://github.com/yuhaoxu99/ECGMultitask-Benchmarkで公開されている。

関連論文リスト

• 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)
• 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)
• 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)
• A Comprehensive Benchmark for Electrocardiogram Time-Series [31.656774120734358]
  心電図は、心臓の健康と様々な疾患の診断に不可欠である。 ECGデータは、大規模な時系列モデルトレーニングのための事前トレーニングデータセットに組み込まれることが多い。
  論文  参考訳（メタデータ） (2025-07-15T02:54:24Z)
• 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)
• 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)
• CREMA: A Contrastive Regularized Masked Autoencoder for Robust ECG Diagnostics across Clinical Domains [2.9143698739149615]
  自己教師付き事前学習により一般化可能な表現を学習するための12誘導ECGの基礎モデルであるCREMAを提案する。 CREMAは、コントラスト正規化MAE損失による生成学習とコントラスト正規化を組み合わせて、局所波形の詳細とグローバル時間依存性の両方をキャプチャするためにSignal Transformer (SiT)アーキテクチャを使用する。
  論文  参考訳（メタデータ） (2024-06-26T02:24:13Z)
• 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)
• 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)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。