論文の概要: ECG-IMN: Interpretable Mesomorphic Neural Networks for 12-Lead Electrocardiogram Interpretation

• arxiv url: http://arxiv.org/abs/2602.09566v1
• Date: Tue, 10 Feb 2026 09:17:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.465629
• Title: ECG-IMN: Interpretable Mesomorphic Neural Networks for 12-Lead Electrocardiogram Interpretation
• Title（参考訳）: ECG-IMN:12レベル心電図解釈のための解釈可能なメソモルフィックニューラルネットワーク
• Authors: Vajira Thambawita, Jonas L. Isaksen, Jørgen K. Kanters, Hugo L. Hammer, Pål Halvorsen,
• Abstract要約: 深層学習は心電図(ECG)の診断において専門家レベルのパフォーマンスを達成したが、これらのモデルの「黒い箱」の性質は臨床展開を妨げている。 本稿では,高分解能12リードECG分類に適した解釈可能なメソモルフィックニューラルネットワークECG-IMNを提案する。
• 参考スコア（独自算出の注目度）: 1.7152890789230053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has achieved expert-level performance in automated electrocardiogram (ECG) diagnosis, yet the "black-box" nature of these models hinders their clinical deployment. Trust in medical AI requires not just high accuracy but also transparency regarding the specific physiological features driving predictions. Existing explainability methods for ECGs typically rely on post-hoc approximations (e.g., Grad-CAM and SHAP), which can be unstable, computationally expensive, and unfaithful to the model's actual decision-making process. In this work, we propose the ECG-IMN, an Interpretable Mesomorphic Neural Network tailored for high-resolution 12-lead ECG classification. Unlike standard classifiers, the ECG-IMN functions as a hypernetwork: a deep convolutional backbone generates the parameters of a strictly linear model specific to each input sample. This architecture enforces intrinsic interpretability, as the decision logic is mathematically transparent and the generated weights (W) serve as exact, high-resolution feature attribution maps. We introduce a transition decoder that effectively maps latent features to sample-wise weights, enabling precise localization of pathological evidence (e.g., ST-elevation, T-wave inversion) in both time and lead dimensions. We evaluate our approach on the PTB-XL dataset for classification tasks, demonstrating that the ECG-IMN achieves competitive predictive performance (AUROC comparable to black-box baselines) while providing faithful, instance-specific explanations. By explicitly decoupling parameter generation from prediction execution, our framework bridges the gap between deep learning capability and clinical trustworthiness, offering a principled path toward "white-box" cardiac diagnostics.
• Abstract（参考訳）: 深層学習は心電図(ECG)の診断において専門家レベルのパフォーマンスを達成したが、これらのモデルの「黒い箱」の性質は臨床展開を妨げている。 医療AIへの信頼は、高い精度だけでなく、予測を駆動する特定の生理的特徴に関する透明性も必要である。 ECGの既存の説明可能性法は、一般的にポストホック近似(例えば Grad-CAM や SHAP)に依存しており、不安定であり、計算コストが高く、モデルの実際の意思決定プロセスに不誠実である。 本研究では,高分解能12リードECG分類に適した解釈可能なメソモルフィックニューラルネットワークECG-IMNを提案する。 標準分類器とは異なり、ECG-IMNはハイパーネットワークとして機能する:深い畳み込みバックボーンは、各入力サンプルに特有の厳密な線形モデルのパラメータを生成する。 このアーキテクチャは、決定論理が数学的に透明であり、生成された重み (W) が正確な高分解能な特徴属性写像として機能するため、本質的な解釈性を強制する。 我々は,潜時特徴を標本重量に効果的にマッピングする遷移復号器を導入し,時間次元とリード次元の両方において,病理的証拠(例えばST-elevation,T-wave inversion)の正確な局所化を可能にした。 我々は、分類タスクのためのTB-XLデータセットに対するアプローチを評価し、ECG-IMNが、忠実でインスタンス固有の説明を提供しながら、競合予測性能(AUROCとブラックボックスベースライン)を達成することを実証した。 予測実行からパラメータ生成を明示的に分離することにより,ディープラーニング能力と臨床信頼性のギャップを埋めるとともに,心臓の「ホワイトボックス」診断への基本経路を提供する。

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)
• 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)
• Explainable AI (XAI) for Arrhythmia detection from electrocardiograms [0.0]
  深層学習は心電図(ECG)信号から高い精度の不整脈検出を可能にしているが、臨床応用には限界がある。 本研究では,時系列ECG分析に特化して適応した説明可能なAI(XAI)技術の適用について検討する。
  論文  参考訳（メタデータ） (2025-08-24T10:44:24Z)
• Explainable Parallel CNN-LSTM Model for Differentiating Ventricular Tachycardia from Supraventricular Tachycardia with Aberrancy in 12-Lead ECGs [4.263117296632119]
  本稿では,診断精度を向上させるための計算効率のよいディープラーニングソリューションを提案し,臨床展開のためのモデル解釈性を提供する。 各パイプラインは2つの1D-CNNブロックを使用して各ECGリードを処理し、局所的な特徴を抽出する。 このモデルは、95%$ CI:93.07-98.19%$、感度=95.10%$、特異性=96.06%$、F1-score=95.12%$を達成した。
  論文  参考訳（メタデータ） (2025-07-14T12:12:34Z)
• 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)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• Interpretable Tsetlin Machine-based Premature Ventricular Contraction Identification [10.929778688942825]
  我々は,長期心電図信号を解析し,早期心室収縮(PVC)同定のためのTsetlin Machine (TM) アーキテクチャを開発した。 我々の数値的な結果は、TMがMIT-BIHデータベース上で畳み込みニューラルネットワーク(CNN)に匹敵する性能を提供することを示している。 本研究は,臨床実習における心電図解析のための機械学習(ML)の方法である。
  論文  参考訳（メタデータ） (2023-01-20T09:28:14Z)
• 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)
• Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network [1.1720399305661802]
  1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。 残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。 分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
  論文  参考訳（メタデータ） (2020-03-25T02:28:04Z)

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。