Fugu-MT 論文翻訳(概要): ECG-MoE: Mixture-of-Expert Electrocardiogram Foundation Model

論文の概要: ECG-MoE: Mixture-of-Expert Electrocardiogram Foundation Model

arxiv url: http://arxiv.org/abs/2603.04589v1
Date: Wed, 04 Mar 2026 20:36:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-06 22:06:10.971217
Title: ECG-MoE: Mixture-of-Expert Electrocardiogram Foundation Model
Title（参考訳）: ECG-MoE:Mixture-of-Expert Electrocardiogram Foundation Model
Authors: Yuhao Xu, Xiaoda Wang, Yi Wu, Wei Jin, Xiao Hu, Carl Yang,
Abstract要約: ECG-MoEは、マルチモデル時間的特徴と心臓周期を意識したエキスパートモジュールを統合するハイブリッドアーキテクチャである。マルチタスクベースラインよりも40%高速な推論で最先端のパフォーマンスを実現する。
参考スコア（独自算出の注目度）: 22.753790262338185
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Electrocardiography (ECG) analysis is crucial for cardiac diagnosis, yet existing foundation models often fail to capture the periodicity and diverse features required for varied clinical tasks. We propose ECG-MoE, a hybrid architecture that integrates multi-model temporal features with a cardiac period-aware expert module. Our approach uses a dual-path Mixture-of-Experts to separately model beat-level morphology and rhythm, combined with a hierarchical fusion network using LoRA for efficient inference. Evaluated on five public clinical tasks, ECG-MoE achieves state-of-the-art performance with 40% faster inference than multi-task baselines.
Abstract（参考訳）: 心電図(ECG)解析は心臓診断において重要であるが、既存の基礎モデルは様々な臨床タスクに必要な周期性や多様な特徴を捉えることができないことが多い。本稿では,マルチモデル時間的特徴と心周期認識の専門家モジュールを統合するハイブリッドアーキテクチャECG-MoEを提案する。提案手法では,2経路混合法を用いてビートレベルの形態とリズムを別々にモデル化し,効率的な推論のためにLoRAを用いた階層的融合ネットワークと組み合わせた。 ECG-MoEは5つの公的な臨床的タスクに基づいて、マルチタスクベースラインよりも40%高速な推論で最先端のパフォーマンスを達成する。

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)
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)
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)
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 Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。 DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
論文参考訳（メタデータ） (2024-07-25T13:27:10Z)
EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文参考訳（メタデータ） (2023-10-24T02:37:49Z)
ECG Heartbeat Classification Using Multimodal Fusion [13.524306011331303]
本稿では,心電図の心拍数分類のための2つの計算効率の良いマルチモーダル融合フレームワークを提案する。 MFFでは,CNNの垂直層から特徴を抽出し,それらを融合させてユニークかつ相互依存的な情報を得た。不整脈では99.7%,MIでは99.2%の分類が得られた。
論文参考訳（メタデータ） (2021-07-21T03:48:35Z)

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。