論文の概要: Looking Beyond Accuracy: A Holistic Benchmark of ECG Foundation Models
- arxiv url: http://arxiv.org/abs/2601.21830v1
- Date: Thu, 29 Jan 2026 15:14:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.922424
- Title: Looking Beyond Accuracy: A Holistic Benchmark of ECG Foundation Models
- Title（参考訳）: ECGファウンデーションモデルの全体的ベンチマーク
- Authors: Francesca Filice, Edoardo De Rose, Simone Bartucci, Francesco Calimeri, Simona Perri,
- Abstract要約: 本研究では、ファンデーションモデル(FM)のための詳細な総合的なベンチマークフレームワークを見つけることを目的とする。
本稿では,性能評価を表現レベル解析で補完するベンチマーク手法を提案する。
我々はまた、最先端技術によって事前訓練されたいくつかのECG専門的FMの広範な評価を行うための方法論にも依存している。
- 参考スコア（独自算出の注目度）: 0.3914676152740142
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The electrocardiogram (ECG) is a cost-effective, highly accessible and widely employed diagnostic tool. With the advent of Foundation Models (FMs), the field of AI-assisted ECG interpretation has begun to evolve, as they enable model reuse across different tasks by relying on embeddings. However, to responsibly employ FMs, it is crucial to rigorously assess to which extent the embeddings they produce are generalizable, particularly in error-sensitive domains such as healthcare. Although prior works have already addressed the problem of benchmarking ECG-expert FMs, they focus predominantly on the evaluation of downstream performance. To fill this gap, this study aims to find an in-depth, comprehensive benchmarking framework for FMs, with a specific focus on ECG-expert ones. To this aim, we introduce a benchmark methodology that complements performance-based evaluation with representation-level analysis, leveraging SHAP and UMAP techniques. Furthermore, we rely on the methodology for carrying out an extensive evaluation of several ECG-expert FMs pretrained via state-of-the-art techniques over different cross-continental datasets and data availability settings; this includes ones featuring data scarcity, a fairly common situation in real-world medical scenarios. Experimental results show that our benchmarking protocol provides a rich insight of ECG-expert FMs' embedded patterns, enabling a deeper understanding of their representational structure and generalizability.
- Abstract（参考訳）: 心電図(Electrocardiogram, ECG)は、コスト効率が高く、アクセス性が高く、広く使用されている診断ツールである。
ファンデーションモデル(FM)の出現により、AIによるECG解釈の分野は発展し始めており、埋め込みに頼ることで、さまざまなタスクにわたるモデルの再利用を可能にしている。
しかしながら、FMを責任を持って使用するためには、特に医療などのエラーに敏感な領域において、その埋め込みがどの程度一般化可能かを厳格に評価することが重要である。
従来の研究は、ECG-Expert FMをベンチマークする問題にすでに対処しているが、主に下流の性能評価に重点を置いている。
このギャップを埋めるために、本研究では、ECG専門のフレームワークに特化して、FMの詳細な総合的なベンチマークフレームワークを見つけることを目的としている。
そこで本研究では, SHAP と UMAP 技術を利用して, 性能評価を表現レベル解析で補完するベンチマーク手法を提案する。
さらに、さまざまな大陸横断データセットとデータ可用性設定に対して、最先端技術によって事前訓練されたいくつかのECG専門的FMの広範な評価を行うための方法論にも依存しています。
実験結果から,我々のベンチマークプロトコルは,ECGに精通したFMの組込みパターンを十分に把握し,その表現構造と一般化可能性についてより深く理解することができることがわかった。
関連論文リスト
- Transferring Clinical Knowledge into ECGs Representation [0.19498378931702776]
本稿では,マルチモーダル臨床データから強力なECGエンコーダへ知識を伝達する新しい3段階トレーニングパラダイムを提案する。
我々は、文脈的臨床情報に富んだ心電図表現を作成するために、自己監督型、共同埋め込み型プレトレーニングステージを用いている。
モデルの出力を説明する間接的な方法として、ECG埋め込みから直接、関連する実験室の異常を予測できるように訓練する。
論文 参考訳（メタデータ） (2025-12-07T22:19:24Z) - 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) - An Electrocardiogram Multi-task Benchmark with Comprehensive Evaluations and Insightful Findings [21.836042030973797]
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。
論文 参考訳（メタデータ） (2025-11-28T06:47:21Z) - 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) - 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) - Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。
我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-12T09:03:30Z) - 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) - ECG-FM: An Open Electrocardiogram Foundation Model [3.8270632390229777]
本稿では,ECG分析のためのオープン基盤モデルであるECG-FMについて述べる。
ECG-FMは、コントラストと生成的自己教師付き学習のハイブリッドアプローチを用いて事前訓練されたトランスフォーマーベースのモデルである。
我々は,ECG-FMがロバストで,ラベル効率が高く,機能的に識別可能であることを確認した。
論文 参考訳（メタデータ） (2024-08-09T17:06:49Z) - Unsupervised Pre-Training Using Masked Autoencoders for ECG Analysis [4.3312979375047025]
本稿では、心電図(ECG)信号のためのマスク付きオートエンコーダ(MAE)に基づく教師なし事前トレーニング手法を提案する。
さらに、ECG分析のための完全なフレームワークを形成するためのタスク固有の微調整を提案する。
フレームワークは高レベルで普遍的で、特定のモデルアーキテクチャやタスクに個別に適応していない。
論文 参考訳（メタデータ） (2023-10-17T11:19:51Z) - 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)
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。