論文の概要: CardioMOD-Net: A Modal Decomposition-Neural Network Framework for Diagnosis and Prognosis of HFpEF from Echocardiography Cine Loops

• arxiv url: http://arxiv.org/abs/2601.01176v1
• Date: Sat, 03 Jan 2026 12:41:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.064357
• Title: CardioMOD-Net: A Modal Decomposition-Neural Network Framework for Diagnosis and Prognosis of HFpEF from Echocardiography Cine Loops
• Title（参考訳）: CardioMOD-Net : 心エコー法によるHFpEFの診断と予後診断のためのモーダル分解ニューラルネットワークフレームワーク
• Authors: Andrés Bell-Navas, Jesús Garicano-Mena, Antonella Ausiello, Soledad Le Clainche, María Villalba-Orero, Enrique Lara-Pezzi,
• Abstract要約: 保存放出分画(HFpEF)による心不全は、様々な相同性から発生し、長期のサブクリニカル段階を経て進行する。 現在の心エコー法に基づく人工知能(AI)モデルは、主にヒトにおけるバイナリHFpEF検出に焦点を当てている。 我々は,HFpEFオンセットのマルチクラス診断と連続予測を行うための統合AIフレームワークであるCardioMOD-Netを開発した。
• 参考スコア（独自算出の注目度）: 4.50720422463361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introduction: Heart failure with preserved ejection fraction (HFpEF) arises from diverse comorbidities and progresses through prolonged subclinical stages, making early diagnosis and prognosis difficult. Current echocardiography-based Artificial Intelligence (AI) models focus primarily on binary HFpEF detection in humans and do not provide comorbidity-specific phenotyping or temporal estimates of disease progression towards decompensation. We aimed to develop a unified AI framework, CardioMOD-Net, to perform multiclass diagnosis and continuous prediction of HFpEF onset directly from standard echocardiography cine loops in preclinical models. Methods: Mouse echocardiography videos from four groups were used: control (CTL), hyperglycaemic (HG), obesity (OB), and systemic arterial hypertension (SAH). Two-dimensional parasternal long-axis cine loops were decomposed using Higher Order Dynamic Mode Decomposition (HODMD) to extract temporal features for downstream analysis. A shared latent representation supported Vision Transformers, one for a classifier for diagnosis and another for a regression module for predicting the age at HFpEF onset. Results: Overall diagnostic accuracy across the four groups was 65%, with all classes exceeding 50% accuracy. Misclassifications primarily reflected early-stage overlap between OB or SAH and CTL. The prognostic module achieved a root-mean-square error of 21.72 weeks for time-to-HFpEF prediction, with OB and SAH showing the most accurate estimates. Predicted HFpEF onset closely matched true distributions in all groups. Discussion: This unified framework demonstrates that multiclass phenotyping and continuous HFpEF onset prediction can be obtained from a single cine loop, even under small-data conditions. The approach offers a foundation for integrating diagnostic and prognostic modelling in preclinical HFpEF research.
• Abstract（参考訳）: 導入: 保存放出率 (HFpEF) による心不全は, 様々な相違性から発生し, 長期の鎖骨下段階を経て進行し, 早期診断と予後が困難になる。 現在の心エコー法に基づく人工知能(AI)モデルは、主にヒトにおけるバイナリHFpEFの検出に焦点をあてており、相補性固有の表現型付けや、非補償に対する疾患進行の時間的推定を提供していない。 我々は,標準心エコーシネループから直接HFpEFのマルチクラス診断と連続予測を行うために,統合型AIフレームワークであるCardioMOD-Netを開発することを目的とした。 方法: CTL, 高血糖 (HG), 肥満 (OB), 全身性動脈高血圧 (SAH) の4群でマウス心エコー法を施行した。 高次動的モード分解 (HODMD) を用いて, 下流解析のための時間的特徴を抽出した。 共有潜在表現は、診断のための分類器のための視覚変換器と、HFpEFの開始時の年齢を予測する回帰モジュールをサポートする。 結果: 診断精度は4群で65%, 全クラスで50%以上であった。 主にOBとSAHとCTLの重なり合いを反映している。 予測モジュールは21.72週間のルート平均二乗誤差を時間-HFpEF予測で達成し、OBとSAHは最も正確な推定値を示した。 予測されたHFpEFは全群の真の分布と密接に一致した。 議論: この統合されたフレームワークは、小さなデータ条件下であっても、単一シネループからマルチクラス表現型と連続HFpEFのオンセット予測が得られることを示した。 このアプローチは、前臨床のHFpEF研究に診断と予後モデリングを統合する基盤を提供する。

関連論文リスト

• Artificial Intelligence-Enabled Spirometry for Early Detection of Right Heart Failure [14.45988844325437]
  右心不全 (RHF) は右心室の構造や機能に異常を特徴とする疾患である。 肺疾患はしばしば右室負荷を増大させ、RHFを引き起こす。 コープルモネール患者からRHFを早期に検出するための自己教師付き表現学習法を提案する。
  論文  参考訳（メタデータ） (2025-11-17T15:03:04Z)
• FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
  我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。 病的シグネチャの最初の系統的周波数領域解析を行う。 周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2025-11-17T02:40:14Z)
• 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)
• SFD-Mamba2Net: Structure-Guided Frequency-Enhanced Dual-Stream Mamba2 Network for Coronary Artery Segmentation [10.610715643574034]
  侵襲冠動脈造影(ICA)はCAD診断における金の基準とされている。 ICA画像の特徴は、低コントラスト、高ノイズレベル、複雑で微細な血管構造である。 ICAをベースとした血管分割と狭窄検出に適したエンドツーエンドフレームワークであるSFD-Mamba2Netを提案する。
  論文  参考訳（メタデータ） (2025-09-10T18:58:45Z)
• Acoustic Index: A Novel AI-Driven Parameter for Cardiac Disease Risk Stratification Using Echocardiography [0.0]
  本稿では,標準的な超音波画像から心機能障害の定量化を目的とした,新しいAI誘発心エコーパラメータであるAudiotic Indexを紹介する。 このモデルは、クープマン作用素理論に基づく拡張動的モード分解(EDMD)と、臨床メタデータを組み込んだハイブリッドニューラルネットワークを組み合わせる。 様々な心疾患と正常なコントロールを含む736人の前向きコホートにおいて、AUCは独立したテストセットで0.89の曲線(AUC)の領域を達成した。 5回にまたがるクロスバリデーションによりモデルの堅牢性が確認され, 感度と特異性は, 独立データで0.8以上であった。
  論文  参考訳（メタデータ） (2025-07-17T21:27:28Z)
• Q-PART: Quasi-Periodic Adaptive Regression with Test-time Training for Pediatric Left Ventricular Ejection Fraction Regression [45.69922532213079]
  適応型左室エジェクション・フラクション(LVEF)の評価の課題に対処する。 我々はtextbfTest-time Training (Q-PART) フレームワークを用いた textbfQuasi-textbfPeriodic textbfAdaptive textbfRegression を提案する。
  論文  参考訳（メタデータ） (2025-03-06T06:24:51Z)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。