Fugu-MT 論文翻訳(概要): Position: Evaluation of ECG Representations Must Be Fixed

論文の概要: Position: Evaluation of ECG Representations Must Be Fixed

arxiv url: http://arxiv.org/abs/2602.17531v1
Date: Thu, 19 Feb 2026 16:42:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-20 15:21:29.216059
Title: Position: Evaluation of ECG Representations Must Be Fixed
Title（参考訳）: ポジション:ECG表示の修正が必要か
Authors: Zachary Berger, Daniel Prakah-Asante, John Guttag, Collin M. Stultz,
Abstract要約: 本論文は、12段階のECG表現学習における現在のベンチマーク実践は、進歩が信頼でき、臨床的に有意義な目的と整合することを保証するために、修正されるべきである、と論じる。本研究は、心電図関連エンドポイントの発達とともに、心疾患や患者レベル予測の評価を含むように下流評価を拡大するべきであると論じる。
参考スコア（独自算出の注目度）: 1.567009619451362
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This position paper argues that current benchmarking practice in 12-lead ECG representation learning must be fixed to ensure progress is reliable and aligned with clinically meaningful objectives. The field has largely converged on three public multi-label benchmarks (PTB-XL, CPSC2018, CSN) dominated by arrhythmia and waveform-morphology labels, even though the ECG is known to encode substantially broader clinical information. We argue that downstream evaluation should expand to include an assessment of structural heart disease and patient-level forecasting, in addition to other evolving ECG-related endpoints, as relevant clinical targets. Next, we outline evaluation best practices for multi-label, imbalanced settings, and show that when they are applied, the literature's current conclusion about which representations perform best is altered. Furthermore, we demonstrate the surprising result that a randomly initialized encoder with linear evaluation matches state-of-the-art pre-training on many tasks. This motivates the use of a random encoder as a reasonable baseline model. We substantiate our observations with an empirical evaluation of three representative ECG pre-training approaches across six evaluation settings: the three standard benchmarks, a structural disease dataset, hemodynamic inference, and patient forecasting.
Abstract（参考訳）: 本論文は、12段階のECG表現学習における現在のベンチマーク実践は、進歩が信頼でき、臨床的に有意義な目的と整合することを保証するために、修正されるべきである、と論じる。この分野は、ECGがかなり広い臨床情報をエンコードしていることが知られているにもかかわらず、不整脈と波形形態ラベルに支配される3つの公開マルチラベルベンチマーク(PTB-XL, CPSC2018, CSN)に大きく収束している。本研究は、心電図関連エンドポイントの発達とともに、心疾患や患者レベル予測の評価を含むように下流評価を拡大するべきであると論じる。次に、マルチラベル、不均衡な設定のためのベストプラクティスの評価について概説し、それらを適用すると、どの表現が最善かという現在の結論が変わることを示す。さらに,線形評価を持つランダム初期化エンコーダが,多くのタスクにおける最先端の事前学習と一致していることを示す。これはランダムエンコーダを合理的なベースラインモデルとして使う動機となっている。本研究は,3つの標準ベンチマーク,構造疾患データセット,血行動態推定,患者予測の3つの評価設定において,心電図のトレーニング前アプローチを実証的に評価した。

関連論文リスト

Looking Beyond Accuracy: A Holistic Benchmark of ECG Foundation Models [0.3914676152740142]
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。
論文参考訳（メタデータ） (2026-01-29T15:14:00Z)
Benchmarking Egocentric Clinical Intent Understanding Capability for Medical Multimodal Large Language Models [48.95516224614331]
MedGaze-Benchは、臨床医の視線を認知的カーソルとして活用し、手術、緊急シミュレーション、診断解釈における意図的理解を評価する最初のベンチマークである。本ベンチマークでは,解剖学的構造の視覚的均一性,臨床における時間・因果依存性の厳格化,安全プロトコルへの暗黙の順守という3つの基本的な課題に対処する。
論文参考訳（メタデータ） (2026-01-11T02:20:40Z)
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)
CLEF: Clinically-Guided Contrastive Learning for Electrocardiogram Foundation Models [13.613519337591507]
シングルリードのECG記録は、臨床レベルのウェアラブルと消費者向けのウェアラブルの両方に統合されている。未ラベルのECG上でのファンデーションモデルの自己教師付き事前トレーニングは診断性能を向上させるが、既存のアプローチでは臨床メタデータからドメイン知識を取り入れていない。我々は,確立された臨床リスクスコアを用いて,ネガティブなペアを適応的に重み付けする,新しいコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2025-12-01T20:21:44Z)
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)
Cross-Representation Benchmarking in Time-Series Electronic Health Records for Clinical Outcome Prediction [44.23284500920266]
このベンチマークは、2つの異なる臨床環境におけるデータキュレーションと評価を標準化する。実験によると、イベントストリームモデルは、常に最強のパフォーマンスを提供する。特徴選択戦略は臨床環境に適応する必要がある。
論文参考訳（メタデータ） (2025-10-10T09:03:47Z)
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)
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)
A Systematic Review of ECG Arrhythmia Classification: Adherence to Standards, Fair Evaluation, and Embedded Feasibility [0.1932975952237668]
このレビューは、2017年から2024年にかけて発行されたECG分類研究を体系的に分析する。我々は,E3C基準を満たす最先端の手法を特定し,精度,推定時間,エネルギー消費,メモリ使用量の比較分析を行った。これらのギャップに対処することにより、より堅牢で臨床的に実行可能なECG分類システムに向けた今後の研究を導くことを目的としている。
論文参考訳（メタデータ） (2025-03-10T12:57:43Z)
Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文参考訳（メタデータ） (2024-10-08T10:03:52Z)
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。