論文の概要: AnyECG: Evolved ECG Foundation Model for Holistic Health Profiling
- arxiv url: http://arxiv.org/abs/2601.10748v1
- Date: Mon, 12 Jan 2026 16:03:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-19 20:21:50.229842
- Title: AnyECG: Evolved ECG Foundation Model for Holistic Health Profiling
- Title（参考訳）: AnyECG: ホロスティックヘルスプロファイリングのためのECGファンデーションモデル
- Authors: Jun Li, Hongling Zhu, Yujie Xiao, Qinghao Zhao, Yalei Ke, Gongzheng Tang, Guangkun Nie, Deyun Zhang, Jin Li, Canqing Yu, Shenda Hong,
- Abstract要約: ECGFounderは、総合的な健康プロファイルの基礎モデルであるAnyECGを開発した。
AnyECGは1172の条件で全身的な予測能力を示し、306の疾患に対して0.7以上のAUROCを達成した。
- 参考スコア（独自算出の注目度）: 15.451136163624264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Artificial intelligence enabled electrocardiography (AI-ECG) has demonstrated the ability to detect diverse pathologies, but most existing models focus on single disease identification, neglecting comorbidities and future risk prediction. Although ECGFounder expanded cardiac disease coverage, a holistic health profiling model remains needed. Methods: We constructed a large multicenter dataset comprising 13.3 million ECGs from 2.98 million patients. Using transfer learning, ECGFounder was fine-tuned to develop AnyECG, a foundation model for holistic health profiling. Performance was evaluated using external validation cohorts and a 10-year longitudinal cohort for current diagnosis, future risk prediction, and comorbidity identification. Results: AnyECG demonstrated systemic predictive capability across 1172 conditions, achieving an AUROC greater than 0.7 for 306 diseases. The model revealed novel disease associations, robust comorbidity patterns, and future disease risks. Representative examples included high diagnostic performance for hyperparathyroidism (AUROC 0.941), type 2 diabetes (0.803), Crohn disease (0.817), lymphoid leukemia (0.856), and chronic obstructive pulmonary disease (0.773). Conclusion: The AnyECG foundation model provides substantial evidence that AI-ECG can serve as a systemic tool for concurrent disease detection and long-term risk prediction.
- Abstract（参考訳）: 背景: 人工知能有効心電図(AI-ECG)は、様々な病態を検出する能力を示しているが、既存のモデルのほとんどは、単一疾患の同定、複合性を無視し、将来のリスク予測に焦点を当てている。
ECGFounderは心疾患のカバー範囲を拡大したが、総合的な健康プロファイルモデルが必要である。
方法:298万人から133万の心電図からなる大規模多施設データセットを構築した。
転送学習を用いて、ECGFounderは、総合的な健康プロファイルの基礎モデルであるAnyECGを開発するために微調整された。
現状診断,今後のリスク予測,コオービデンス同定のために,外的検証コホートと10年縦コホートを用いて評価を行った。
結果:AECGは1172の条件で全身的な予測能力を示し,306の疾患に対して0.7以上のAUROCを達成した。
このモデルは、新しい疾患関連、堅牢な共生パターン、将来の疾患リスクを明らかにした。
代表例は副甲状腺機能亢進症(AUROC 0.941),2型糖尿病(0.803),クローン病(0.817),リンパ性白血病(0.856),慢性閉塞性肺疾患(0.773)である。
結論: AnyECG ファンデーションモデルは,AI-ECG が同時性疾患検出と長期的リスク予測のシステムツールとして機能することを示す重要な証拠を提供する。
関連論文リスト
- Fine-tuning an ECG Foundation Model to Predict Coronary CT Angiography Outcomes [18.45168797720226]
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。
論文 参考訳（メタデータ） (2025-11-29T05:21:24Z) - An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳（メタデータ） (2025-10-21T17:18:55Z) - 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) - A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。
包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
論文 参考訳（メタデータ） (2025-05-30T14:42:02Z) - Improving Early Prediction of Type 2 Diabetes Mellitus with ECG-DiaNet: A Multimodal Neural Network Leveraging Electrocardiogram and Clinical Risk Factors [0.09208007322096533]
ECG-DiaNetは、心電図(ECG)の特徴と臨床リスクファクター(CRF)を統合してT2DMの発症予測を強化するディープラーニングモデルである。
非侵襲的で広く利用可能なECG信号への依存は、臨床およびコミュニティの健康設定におけるその実現可能性を支持する。
論文 参考訳（メタデータ） (2025-04-05T19:59:59Z) - 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) - Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。
本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。
そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
論文 参考訳（メタデータ） (2024-10-18T12:37:51Z) - From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。
GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。
CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
論文 参考訳（メタデータ） (2024-08-20T13:19:06Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - ECG for high-throughput screening of multiple diseases: Proof-of-concept
using multi-diagnosis deep learning from population-based datasets [11.03522015552748]
人口ベースデータセットは,1000例以上の医療疾患と200万例の心電図を用いて,広範囲の疾患を同定した。
深層学習モデルでは128の疾患と68の疾患カテゴリーが同定された。
論文 参考訳（メタデータ） (2022-10-06T00:11:31Z)
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。