論文の概要: ECG-Agent: On-Device Tool-Calling Agent for ECG Multi-Turn Dialogue
- arxiv url: http://arxiv.org/abs/2601.20323v1
- Date: Wed, 28 Jan 2026 07:40:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-29 15:46:06.816235
- Title: ECG-Agent: On-Device Tool-Calling Agent for ECG Multi-Turn Dialogue
- Title（参考訳）: ECG-Agent:ECG多言語対話用オンデバイスツールカートリングエージェント
- Authors: Hyunseung Chung, Jungwoo Oh, Daeun Kyung, Jiho Kim, Yeonsu Kwon, Min-Gyu Kim, Edward Choi,
- Abstract要約: マルチターンECG対話のためのLCMベースのツールコールエージェントであるECG-Agentを紹介する。
ECG-MTDデータセットは、多様なECGリード構成のための現実的なユーザアシストマルチターンダイアログの集合である。
オンデバイスからより大きなエージェントまで,様々なサイズでECG-Agentを開発する。
- 参考スコア（独自算出の注目度）: 19.885700978748893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in Multimodal Large Language Models have rapidly expanded to electrocardiograms, focusing on classification, report generation, and single-turn QA tasks. However, these models fall short in real-world scenarios, lacking multi-turn conversational ability, on-device efficiency, and precise understanding of ECG measurements such as the PQRST intervals. To address these limitations, we introduce ECG-Agent, the first LLM-based tool-calling agent for multi-turn ECG dialogue. To facilitate its development and evaluation, we also present ECG-Multi-Turn-Dialogue (ECG-MTD) dataset, a collection of realistic user-assistant multi-turn dialogues for diverse ECG lead configurations. We develop ECG-Agents in various sizes, from on-device capable to larger agents. Experimental results show that ECG-Agents outperform baseline ECG-LLMs in response accuracy. Furthermore, on-device agents achieve comparable performance to larger agents in various evaluations that assess response accuracy, tool-calling ability, and hallucinations, demonstrating their viability for real-world applications.
- Abstract（参考訳）: マルチモーダル大規模言語モデルの最近の進歩は、分類、レポート生成、シングルターンQAタスクを中心に、心電図にまで急速に拡大している。
しかし、これらのモデルは現実世界のシナリオでは不足しており、マルチターンの会話能力、デバイス上の効率、PQRST間隔のようなECG測定の正確な理解が欠如している。
これらの制約に対処するため,マルチターンECG対話のためのLCMベースのツールコールエージェントであるECG-Agentを導入する。
また,ECG-Multi-Turn-Dialogue(ECG-MTD)データセットも提示する。
オンデバイスからより大きなエージェントまで,様々なサイズでECG-Agentを開発する。
実験の結果,ECG-Agentsは応答精度でベースラインECG-LLMよりも優れていた。
さらに、デバイス上のエージェントは、応答精度、ツール呼び出し能力、幻覚を評価する様々な評価において、より大きなエージェントに匹敵するパフォーマンスを達成し、現実のアプリケーションにおけるそれらの生存可能性を示す。
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) - Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。
Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。
Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
論文 参考訳（メタデータ） (2025-06-06T07:56:41Z) - anyECG-chat: A Generalist ECG-MLLM for Flexible ECG Input and Multi-Task Understanding [20.290531515033518]
マルチモーダルな大言語モデル(MLLM)は、心電図(ECG)解析への関心を喚起している。
既存のECGにフォーカスしたMLLMは、レポート生成タスクに重点を置いており、多くの場合、単一の12リードの短いECG入力(10秒)に制限される。
動的長のECG入力と複数のECG入力をサポートする anyECG-chat モデルを提案する。
論文 参考訳（メタデータ） (2025-06-01T10:17:13Z) - GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [44.50428701650495]
GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。
GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。
基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
論文 参考訳（メタデータ） (2025-03-08T05:48:53Z)
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。