論文の概要: Human-like visual computing advances explainability and few-shot learning in deep neural networks for complex physiological data

• arxiv url: http://arxiv.org/abs/2512.22349v1
• Date: Fri, 26 Dec 2025 19:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.007804
• Title: Human-like visual computing advances explainability and few-shot learning in deep neural networks for complex physiological data
• Title（参考訳）: ヒューマンライクなビジュアルコンピューティングは、複雑な生理的データのためのディープニューラルネットワークにおける説明可能性と少数ショット学習を前進させる
• Authors: Alaa Alahmadi, Mohamed Hasan,
• Abstract要約: 認識インフォームド擬似着色技術は,深層ニューラルネットワークにおける説明可能性と少数ショット学習の両方を改善することができることを示す。 難治性症例として, 薬剤性長期QT症候群(LQTS)を主訴に当科を受診した。 QTインターバル持続時間などの臨床的に有意な時間的特徴を構造化色表現に符号化することにより、モデルは1つか5つのトレーニング例から識別的および解釈可能な特徴を学習する。
• 参考スコア（独自算出の注目度）: 0.34376560669160394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine vision models, particularly deep neural networks, are increasingly applied to physiological signal interpretation, including electrocardiography (ECG), yet they typically require large training datasets and offer limited insight into the causal features underlying their predictions. This lack of data efficiency and interpretability constrains their clinical reliability and alignment with human reasoning. Here, we show that a perception-informed pseudo-colouring technique, previously demonstrated to enhance human ECG interpretation, can improve both explainability and few-shot learning in deep neural networks analysing complex physiological data. We focus on acquired, drug-induced long QT syndrome (LQTS) as a challenging case study characterised by heterogeneous signal morphology, variable heart rate, and scarce positive cases associated with life-threatening arrhythmias such as torsades de pointes. This setting provides a stringent test of model generalisation under extreme data scarcity. By encoding clinically salient temporal features, such as QT-interval duration, into structured colour representations, models learn discriminative and interpretable features from as few as one or five training examples. Using prototypical networks and a ResNet-18 architecture, we evaluate one-shot and few-shot learning on ECG images derived from single cardiac cycles and full 10-second rhythms. Explainability analyses show that pseudo-colouring guides attention toward clinically meaningful ECG features while suppressing irrelevant signal components. Aggregating multiple cardiac cycles further improves performance, mirroring human perceptual averaging across heartbeats. Together, these findings demonstrate that human-like perceptual encoding can bridge data efficiency, explainability, and causal reasoning in medical machine intelligence.
• Abstract（参考訳）: マシンビジョンモデル、特にディープニューラルネットワークは、心電図(ECG)などの生理学的信号解釈にますます応用されるが、通常は大規模なトレーニングデータセットを必要とし、予測の根底にある因果的特徴について限られた洞察を与える。 このデータ効率と解釈可能性の欠如は、臨床上の信頼性と人間の推論との整合性を妨げている。 そこで本研究では,人間の心電図解釈を改善するために以前に実証された知覚インフォームド・擬色化技術により,複雑な生理的データを解析する深層ニューラルネットワークにおける説明可能性と少数ショット学習が向上することを示す。 薬物誘発長QT症候群(LQTS)は, 異種信号形態, 変動心拍数, 短命不整脈, トルセード・ド・ポイントなどの不整脈に起因した稀有な陽性症例を特徴とする難治性症例である。 この設定は、極端なデータ不足の下でモデル一般化の厳密なテストを提供する。 QTインターバル持続時間などの臨床的に有意な時間的特徴を構造化色表現に符号化することにより、モデルは1つか5つのトレーニング例から識別的および解釈可能な特徴を学習する。 原型ネットワークとResNet-18アーキテクチャを用いて、単心循環とフル10秒のリズムから得られたECG画像のワンショットおよび少数ショット学習を評価する。 説明可能性分析の結果, 偽色は臨床的に有意な心電図の特徴に注意を向ける一方で, 無関係な信号成分を抑えることが示唆された。 複数の心臓循環を集約することでパフォーマンスが向上し、人間の知覚平均が心臓の鼓動に反映される。 これらの知見は, 医療機械知能におけるデータ効率, 説明可能性, 因果推論の橋渡し効果を示すものである。

関連論文リスト

• AICRN: Attention-Integrated Convolutional Residual Network for Interpretable Electrocardiogram Analysis [0.4077139177290857]
  本研究は,注意統合畳み込み残差ネットワーク(AICRN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 本アーキテクチャは,レグレッションのためのECG特徴のタイプと空間的位置に対処する空間的およびチャネル的注意関連機構を特化して設計されている。 このシステムは、人間のエラーによる焦点の喪失などの従来の分析課題に対処し、心臓イベントの迅速かつ容易な検出を容易にする。
  論文  参考訳（メタデータ） (2025-08-16T21:10:45Z)
• ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification [0.0]
  本稿では,エッジデバイス上での効率的なリアルタイム不整脈分類に最適化されたArrhythmiNet V1とV2を提案する。 MobileNetの深い分離可能な畳み込み設計にインスパイアされたこれらのモデルは、それぞれ302.18KBと157.76KBのメモリフットプリントを維持している。 本研究は, 実用, ウェアラブル, 組込みECGモニタリングシステムにおいて, 解釈可能性, 予測精度, 計算効率の両立の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-04-30T18:22:45Z)
• GeoECG: Data Augmentation via Wasserstein Geodesic Perturbation for Robust Electrocardiogram Prediction [20.8603653664403]
  本稿では,心電図信号に基づく心疾患検出の堅牢性を高めるために,生理学的に着想を得たデータ拡張手法を提案する。 我々は、ワッサーシュタイン空間の測地線に沿った他のクラスに対してデータ分布を摂動することで、拡張されたサンプルを得る。 12個の心電図信号から学習し,心臓状態の5つのカテゴリを識別できる。
  論文  参考訳（メタデータ） (2022-08-02T03:14:13Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• A complex network approach to time series analysis with application in diagnosis of neuromuscular disorders [1.9659095632676098]
  本稿では,既存手法の限られた精度を克服するために,GraphTSというネットワーク開発手法を提案する。 この目的のために、EMG信号は前処理され、標準的な可視グラフアルゴリズムによって複雑なネットワークにマッピングされる。 結果として得られるネットワークは、健康なサンプルと患者のサンプルを区別することができる。
  論文  参考訳（メタデータ） (2021-08-16T06:44:48Z)
• Functional Magnetic Resonance Imaging data augmentation through conditional ICA [44.483210864902304]
  本稿では,高速機能型磁気共鳴イメージング(fMRI)データ拡張技術である条件独立成分分析(Conditional ICA)を紹介する。 本研究では,コンディショナルICAが観測不可能なデータの合成に成功しており,脳の復号化問題における分類精度の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2021-07-11T22:36:14Z)
• EEG-based Cross-Subject Driver Drowsiness Recognition with an Interpretable Convolutional Neural Network [0.0]
  我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。 その結果,11名の被験者に対して平均78.35%の精度が得られた。
  論文  参考訳（メタデータ） (2021-05-30T14:47:20Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。