論文の概要: CAMEL: An ECG Language Model for Forecasting Cardiac Events

• arxiv url: http://arxiv.org/abs/2602.15677v1
• Date: Tue, 17 Feb 2026 16:02:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.118004
• Title: CAMEL: An ECG Language Model for Forecasting Cardiac Events
• Title（参考訳）: CAMEL: 心臓イベントを予測するためのECG言語モデル
• Authors: Neelay Velingker, Alaia Solko-Breslin, Mayank Keoliya, Seewon Choi, Jiayi Xin, Anika Marathe, Alireza Oraii, Rajat Deo, Sameed Khatana, Rajeev Alur, Mayur Naik, Eric Wong,
• Abstract要約: 本稿では,CAMELを提案する。CAMELは,より長い信号時間で推測できる最初のECG言語モデルである。 我々の重要な洞察は、テキストによるECG信号の相互理解を可能にする専用のECGエンコーダである。 確立したLLM学習手順を用いてCAMELを訓練し、LoRA適応とカリキュラム学習パイプラインを組み合わせた。
• 参考スコア（独自算出の注目度）: 17.69153622989266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrocardiograms (ECG) are electrical recordings of the heart that are critical for diagnosing cardiovascular conditions. ECG language models (ELMs) have recently emerged as a promising framework for ECG classification accompanied by report generation. However, current models cannot forecast future cardiac events despite the immense clinical value for planning earlier intervention. To address this gap, we propose CAMEL, the first ELM that is capable of inference over longer signal durations which enables its forecasting capability. Our key insight is a specialized ECG encoder which enables cross-understanding of ECG signals with text. We train CAMEL using established LLM training procedures, combining LoRA adaptation with a curriculum learning pipeline. Our curriculum includes ECG classification, metrics calculations, and multi-turn conversations to elicit reasoning. CAMEL demonstrates strong zero-shot performance across 6 tasks and 9 datasets, including ECGForecastBench, a new benchmark that we introduce for forecasting arrhythmias. CAMEL is on par with or surpasses ELMs and fully supervised baselines both in- and out-of-distribution, achieving SOTA results on ECGBench (+7.0% absolute average gain) as well as ECGForecastBench (+12.4% over fully supervised models and +21.1% over zero-shot ELMs).
• Abstract（参考訳）: 心電図 (ECG) は心血管疾患の診断に重要な心臓の電気記録である。 ECG言語モデル(ELM)は、レポート生成を伴うECG分類のための有望なフレームワークとして最近登場した。 しかし, 早期介入を計画する上での臨床的価値にもかかわらず, 現在のモデルでは, 将来の心疾患を予測できない。 このギャップに対処するため、我々はCAMELを提案する。CAMELは、その予測機能を実現するために、より長い信号時間にわたって推測できる最初のEMMである。 我々の重要な洞察は、テキストによるECG信号の相互理解を可能にする専用のECGエンコーダである。 確立したLLM学習手順を用いてCAMELを訓練し、LoRA適応とカリキュラム学習パイプラインを組み合わせた。 カリキュラムには、ECG分類、メトリクス計算、多ターン会話による推論の抽出が含まれている。 CAMELは、6つのタスクと9つのデータセットにまたがる強力なゼロショット性能を示しており、ECGForecastBenchは不整脈を予測するための新しいベンチマークである。 CAMELは、ECGBench(+7.0%の絶対平均ゲイン)とECGForecastBench(+12.4%の完全教師付きモデル、+21.1%のゼロショットEMM)でSOTA結果を達成するため、ERMと同等かそれ以上に完全教師付きベースラインである。

関連論文リスト

• 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)
• Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture [0.0]
  本稿では,12誘導ECG分析のための自己教師型学習モデルECG-JEPAを紹介する。 隠れた潜在空間で予測することで、ECGデータのセマンティック表現を学習する。 ECG-JEPAは、ECG分類や特徴予測を含む様々な下流タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-11T06:30:48Z)
• MEIT: Multimodal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [28.35107188450758]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• ETP: Learning Transferable ECG Representations via ECG-Text Pre-training [10.856365645831728]
  ECG-Text Pre-training (ETP)は、ECG信号とテキストレポートをリンクするクロスモーダル表現を学習するために設計された革新的なフレームワークである。 ETPはECGエンコーダと事前訓練された言語モデルを使用して、ECG信号を対応するテキストレポートと整合させる。
  論文  参考訳（メタデータ） (2023-09-06T19:19:26Z)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)

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。